WO2020075998A1 - 전자 장치 및 그 제어 방법 - Google Patents

전자 장치 및 그 제어 방법 Download PDF

Info

Publication number
WO2020075998A1
WO2020075998A1 PCT/KR2019/012642 KR2019012642W WO2020075998A1 WO 2020075998 A1 WO2020075998 A1 WO 2020075998A1 KR 2019012642 W KR2019012642 W KR 2019012642W WO 2020075998 A1 WO2020075998 A1 WO 2020075998A1
Authority
WO
WIPO (PCT)
Prior art keywords
context information
user voice
voice
user
similarity
Prior art date
Application number
PCT/KR2019/012642
Other languages
English (en)
French (fr)
Inventor
권재성
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to US17/284,653 priority Critical patent/US20210398544A1/en
Publication of WO2020075998A1 publication Critical patent/WO2020075998A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification
    • G10L17/06—Decision making techniques; Pattern matching strategies
    • G10L17/08—Use of distortion metrics or a particular distance between probe pattern and reference templates
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification
    • G10L17/22—Interactive procedures; Man-machine interfaces
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification
    • G10L17/06—Decision making techniques; Pattern matching strategies
    • G10L17/14—Use of phonemic categorisation or speech recognition prior to speaker recognition or verification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification
    • G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification
    • G10L17/04—Training, enrolment or model building

Definitions

  • the present disclosure relates to an electronic device and a control method thereof, and more particularly, to an electronic device performing speaker recognition and a control method thereof.
  • speaker recognition refers to a technique for authenticating a user using features included in the spoken user's voice.
  • the speaker recognition includes a registration step of registering a specific voice by a user speaking and an authentication step of authenticating the speaker by comparing a voice spoken by the user with a specific voice registered after registration.
  • the speaker model is created with the acoustic characteristics of the spoken (registered speech) voice in the registration stage, and in the authentication stage, the acoustic characteristics of the speech uttered in the registration stage included in the speaker model and the speech in the authentication stage (verified speech) By comparing the acoustic characteristics of the voice, if the comparison result is greater than or equal to a certain threshold, it is determined that the speaker of the registered speech and the speaker of the verified speech are identical.
  • Speaker recognition can be largely divided into a sentence-dependent method of authenticating the speaker by uttering the same voice as the voice registered in the registration stage, and a sentence-independent method of authenticating the speaker by uttering the voice freely regardless of the registered voice. .
  • the electronic device recognizes a voice freely spoken by the user, but it is highly utilized, but it is often used for verification speech different from registration speech, so the performance of speaker recognition compared to the sentence-dependent method There is this low drawback.
  • the present disclosure has been derived from the above-described problems, and an object of the present disclosure is to provide an electronic device and a control method thereof for performing sentence-independent speaker recognition using the similarity between a registration utterance and a verification utterance in an authentication step in the registration step. .
  • An electronic device includes: a memory for storing a speaker model including acoustic characteristics and context information of a first user voice; And a similarity level between the acoustic characteristics of the first user's voice and the acoustic characteristics of the second user's voice included in the speaker model, according to the similarity between the context information included in the speaker model and the context information of the second user's voice. And a processor that performs authentication on the second user voice.
  • the threshold value may be determined to be proportional to the similarity between the context information of the second user voice and the context information included in the speaker model.
  • the processor calculates the threshold value based on the similarity between the context information of the second user voice and the context information included in the speaker model, and calculates the calculated threshold value, an acoustic feature of the second user voice And the similarity between the acoustic characteristics of the first user voice stored in the speaker model.
  • the processor may have a maximum similarity between the acoustic characteristics of the first user voice and the acoustic characteristics of the second user voice.
  • the threshold value can be calculated based on the value.
  • the processor determines that authentication for the second user voice is successful. can do.
  • the processor acquires acoustic characteristics and context information of the first user voice from the first user voice, and the speaker model including the acquired acoustic characteristics and context information Can be stored in the memory.
  • the processor selects one context information type from among a plurality of predefined context information types, acquires context information of the first user voice using the selected context information type, and obtains the obtained context information.
  • Context information can be stored in the memory.
  • the processor determines the similarity between the acoustic characteristics of the first user voice and the acoustic characteristics of each of the plurality of test voices, and for each type of the plurality of context information, the context information of the first user voice and the plurality of The similarity between the context information of each of the test voices is determined, and among the plurality of context information types, context information in which the distribution of the similarity of the determined acoustic characteristics to the similarity between the determined context information satisfies a preset condition. You can choose the type.
  • the processor analyzes the second user voice, acquires context information of the second user voice using the selected context information type, and includes context information of the second user voice and the speaker model
  • the threshold may be determined based on the similarity between context information.
  • a method of controlling an electronic device includes: storing a speaker model including acoustic characteristics and context information of a first user voice; The similarity between the acoustic characteristics of the first user's voice and the acoustic characteristics of the second user's voice included in the speaker model is determined according to the similarity between the context information included in the speaker model and the context information of the second user's voice. Comparing; And performing authentication for the second user voice.
  • the threshold value may be determined to be proportional to the similarity between the context information of the second user voice and the context information included in the speaker model.
  • the comparing may include calculating the threshold value based on the similarity between context information of the second user voice and context information included in the speaker model, and calculating the threshold value by the second user. And comparing the similarity between the acoustic characteristic of the voice and the acoustic characteristic of the first user voice stored in the speaker model.
  • the calculating step when the context information of the first user voice and the context information of the second user voice are the same, the similarity between the acoustic characteristics of the first user voice and the acoustic characteristics of the second user voice may be obtained. It may be a step of calculating the threshold value based on the maximum value.
  • the performing of the authentication if the similarity between the acoustic characteristic of the second user voice and the acoustic characteristic of the first user voice stored in the speaker model is equal to or greater than the threshold, authentication for the second user voice is performed. And determining that it is successful.
  • the acquiring step includes: selecting one context information type among a plurality of predefined context information types; And obtaining context information of the first user voice using the selected context information type.
  • the step of selecting determining the similarity between the acoustic features of the first user voice and each acoustic feature of the plurality of test voices ;, for each type of the plurality of context information, the first user voice Determining similarity between context information and context information of each of the plurality of test voices; And selecting, among the plurality of context information types, a type of context information that satisfies a preset condition in which the distribution of the similarity of the determined acoustic characteristics to the similarity between the determined context information is satisfied.
  • the method may further include determining the threshold value based on the similarity between the context information of the second user voice and the context information included in the speaker model.
  • the electronic device may variably change the threshold value according to the similarity between the user voice stored in the speaker model and the input user voice, so that the usability of the speaker recognition system can be increased.
  • FIG. 1 is a diagram illustrating a conversation system, in accordance with various embodiments of the present disclosure
  • FIG. 2 is a block diagram illustrating a configuration of an electronic device according to an embodiment of the present disclosure
  • FIG. 3 is a block diagram showing in detail the configuration of an electronic device according to an embodiment of the present disclosure.
  • 4 and 5 are diagrams for describing an electronic device according to an embodiment of the present disclosure.
  • FIG. 6 is a schematic diagram for describing a control method of an electronic device according to an embodiment of the present disclosure.
  • first and second may be used to describe various components, but the components should not be limited by terms. The terms are used only to distinguish one component from other components.
  • module or “unit” performs at least one function or operation, and may be implemented in hardware or software, or a combination of hardware and software.
  • a plurality of “modules” or a plurality of “parts” are integrated into at least one module except for “modules” or “parts” that need to be implemented with specific hardware to be implemented with at least one processor (not shown). Can be.
  • FIG. 1 is a diagram illustrating a conversation system, according to various embodiments of the present disclosure.
  • the conversation system 1000 includes an electronic device 100 and a display device 200.
  • the electronic device 100 receives a user voice and performs voice recognition on the received user voice. Specifically, the electronic device 100 performs pre-processing of the received user voice, performs voice recognition for the user voice, converts the user voice into text (Speech to Test, STT), and based on the voice recognition result. It is possible to understand the intention and entity of the user voice.
  • the electronic device 100 includes an automatic speech recognition (ASR) module, a natural language understanding (NLU) module, a dialogue management (DM) module, and natural language generation (NLG). ) Modules.
  • ASR automatic speech recognition
  • NLU natural language understanding
  • DM dialogue management
  • NLG natural language generation
  • the electronic device 100 may perform voice recognition on the received user voice and convert the user voice into text, the electronic device 100 performs pre-processing on the received user voice to convert the user voice into a voice signal
  • a user voice signal may be transmitted to a server (not shown).
  • the server may perform a STT function for performing voice recognition on the received user voice signal to convert the user voice into text, and transmit the voice recognition result for the user voice to the electronic device 100.
  • the electronic device 100 may acquire information for a response to the user's voice based on the natural language understanding result, for example, from a web server, and generate response information for the user's voice based on the obtained information.
  • the electronic device 100 may transmit the generated response information to the display device 200.
  • the display device 200 may provide a response to the user's voice based on the received response information.
  • the display device 200 converts text included in the received response information into voice through text to speech (TTS) and outputs it through the speaker of the display device 200, or includes the text.
  • TTS text to speech
  • the user interface may be displayed through the display of the display device 200.
  • the electronic device 100 may store an AI agent for operating the conversation system.
  • the electronic device 100 may use an artificial intelligence agent to generate natural language in response to the user's voice.
  • the AI agent is a dedicated program for providing AI (Artificial Intelligence) based services (eg, voice recognition service, secretary service, translation service, search service, etc.), and is a conventional general-purpose processor (for example, CPU). Alternatively, it may be executed by a separate AI-only processor (eg, GPU, etc.).
  • the AI agent can control various modules.
  • the electronic device 100 may transmit the response information for the user's voice generated in the natural language to the display device 200, and the display device 200 may output the response information in the natural language and provide it to the user. .
  • the conversation system 1000 can provide a response to the user's voice, so that the user can perform a conversation with the display device 200.
  • FIG. 1 (a) the electronic device 100 and the display device 200 are separately illustrated, but as shown in FIG. 1 (b), the electronic device 100 and the display device 200 may be implemented in one device. It might be.
  • the electronic device 100 may receive user voice and perform voice recognition on the received user voice to provide response information for the user voice.
  • the electronic device 100 may include a display, a speaker, and the like in order to provide response information for the user's voice.
  • the electronic device 100 When the electronic device 100 and the display device 200 are implemented in one device as shown in FIG. 1 (b), the electronic device 100 is connected to a server (not shown) and receives the user's voice as a voice signal. After conversion, a voice signal may be transmitted to a server (not shown). At this time, the server (not shown) may perform an STT function for converting the user's voice signal into text and transmit the voice recognition result to the electronic device 100.
  • the electronic device 100 may be implemented as a server.
  • the external electronic device 300 may receive a voice spoken by the user, convert the received user's voice into a voice signal, and transmit it to the electronic device 100.
  • the electronic device 100 may perform voice recognition on the received user voice. Specifically, the electronic device 100 may convert a user's voice signal into text and perform natural language understanding processing on the user's voice to grasp the intention and entity of the user's voice.
  • the electronic device 100 may obtain information for a response to the user's voice from another server, such as a web server, based on the result of understanding the natural language, and generate response information for the user's voice based on the obtained information.
  • another server such as a web server
  • the electronic device 100 may transmit the generated response information to the external electronic device 300.
  • the external electronic device 300 may be connected to the display device 200 by wired or wireless communication to transmit response information received from the electronic device 100 to the display device 200.
  • the description of the display device 200 providing the response information overlaps with that of FIG. 1A, and detailed description is omitted.
  • FIG. 1 (c) the external electronic device 300 and the display device 200 are separately illustrated in FIG. 1 (c), as shown in FIG. 1 (d), the functions of the external electronic device 300 and the display device 200 are shown. It goes without saying that the function can be implemented in one device.
  • the display device 200 Is connected to the electronic device 100 to receive a user voice, convert the received user voice into a voice signal, and then transmit the converted voice signal to the electronic device 100.
  • the electronic device 100 may perform voice recognition on the user voice received from the display device 200 and generate response information for the user voice.
  • the electronic device 100 may convert a user's voice signal into text and perform natural language understanding processing on the user's voice to grasp the intention and entity of the user's voice. Then, the electronic device 100 may obtain information for a response to the user's voice from another server, such as a web server, based on the natural language understanding result, and generate response information for the user's voice based on the obtained information. have.
  • another server such as a web server
  • the electronic device 100 may transmit the generated response information to the display device 200, and the display device 200 may provide response information to the user or perform an operation according to the response information.
  • the remote control device converts the received user voice (analog signal) into a digital signal and transmits the converted user voice signal to the electronic device 100 through wireless communication such as Bluetooth.
  • wireless communication such as Bluetooth.
  • speaker authentication for a speaker who speaks voice is required.
  • speaker authentication refers to a technique of comparing a feature included in a speaker's voice with a feature of a pre-stored voice to identify whether the speaker who uttered the voice has permission to access a secure electronic device or content. .
  • the electronic device 100 generates and stores a speaker model including acoustic characteristics and context information of the first user voice. Then, when the second user voice is received, the electronic device 100 determines the similarity between the acoustic characteristics of the first user voice included in the speaker model and the acoustic characteristics of the second user voice, the first user voice included in the speaker model Speaker authentication is performed for the second user voice by comparing the threshold value, which is changed according to the similarity between the context information of and the second user voice.
  • a threshold value for the similarity between the first and second acoustic characteristics is determined using the similarity between the context information of the second user voice and the context information included in the speaker model.
  • FIG. 2 is a block diagram illustrating a configuration of an electronic device according to an embodiment of the present disclosure.
  • the electronic device 100 may include a memory 110 and a processor 120.
  • the memory 110 may store various programs and data necessary for the operation of the electronic device 100.
  • the memory 110 may store a speaker model including acoustic characteristics and context information of the first user voice.
  • the acoustic characteristics of the first user voice may include a spectrum characteristic representing the distribution of frequencies of the first user voice or a prosody characteristic indicating the height, size, speed, rhythm, and stress of the first user voice.
  • the context information of the first user voice includes location information of phonemes, location information of syllables, location information of words, phoneme information (Uniphone, Triphone, Quinphone), number information of phonemes, syllable information included in the first user voice, It may include at least one of word information.
  • context information is an embodiment, and of course, another context information may be added according to a system.
  • the processor 120 is electrically connected to the memory 110 to control overall operations and functions of the electronic device 100.
  • the processor 120 may control the microphone to process the received user voice to generate a voice signal. Specifically, the processor 120 may control a microphone to generate a voice signal by performing signal processing such as analog / digital conversion, filtering, compression, and encryption on the user voice.
  • signal processing such as analog / digital conversion, filtering, compression, and encryption
  • the processor 120 may acquire acoustic characteristics from a voice signal. Specifically, the processor 120 may acquire sound characteristics such as frequency, height, size, speed, rhythm, and stress of the user's voice from the voice signal.
  • the processor 120 may acquire context information from a voice signal.
  • the processor 120 may acquire context information by performing speech recognition on the speech signal.
  • the processor 120 may convert a user's voice signal into text data using the ASR engine, and perform natural language processing such as morpheme analysis, syntax analysis, and semantic performance analysis for the user voice using the NLU engine.
  • the processor 120 may transmit a user voice signal to a server (not shown) instead of converting the user voice signal into text data.
  • the server (not shown) may be an STT server that performs only the STT (Speech to Text) function or a server that performs not only an STT function for a user voice signal but also natural language processing.
  • the server (not shown) is an STT server
  • the server (not shown) may convert the user voice signal into text and then transmit it to another server again to perform natural language processing on the converted user voice.
  • the processor 120 may acquire an acoustic feature from a voice signal before performing voice recognition, and perform voice recognition on voice data.
  • the present invention is not limited thereto, and the processor 120 may acquire acoustic characteristics from a voice signal, and at the same time, acquire context information using a speech recognition engine, a natural language processing engine, or the like.
  • the processor 120 may authenticate the speaker using the speaker model 111 stored in the memory 110.
  • the processor 120 may register the speaker.
  • the speaker authentication is performed by comparing the acoustic characteristics of the user's voice with the acoustic characteristics included in the speaker model pre-stored in the electronic device 100, registering the speaker can be viewed as generating a speaker model.
  • the processor 120 obtains acoustic characteristics and context information for the first user voice from the first user voice, and stores the speaker model including the acquired acoustic features and context information in the memory 110 ).
  • the processor 120 may acquire acoustic characteristics of the first user voice.
  • the processor 120 may analyze the first user voice in the time domain and the frequency domain to obtain acoustic characteristics for the first user voice, such as spectrum, size, speed, rhythm, and stress of the first user voice. There is 450.
  • the processor 120 may acquire context information about the first user voice.
  • the processor 120 may perform voice recognition on the first user voice using the voice recognition module stored in the memory 110 (420). That is, the processor 120 may perform speech recognition on the first user's voice and convert the first user's voice into text (Speech-To-Text, STT).
  • the processor 120 may process the speech recognition result of the first user's voice using the natural language processing module (430). Specifically, the processor 120 may perform morphological analysis, syntax analysis, and semantic understanding analysis on the first user voice converted to text through a natural language processing process.
  • the processor 120 may acquire context information from the first user voice using the first user voice processed in the natural language (440).
  • the context information of the first user voice may include at least one of phoneme information of the first user voice, location information of the phoneme, number information of phonemes, location information of syllables, and location information of words.
  • the location information of the phoneme indicates the order in which the phoneme is located based on the word or sentence
  • the location information of the syllable indicates the order in which the syllable is located based on the word or sentence
  • the location information of the word is the word Shows the order of positioning.
  • the number information of the phoneme indicates the number of phonemes present in the word or sentence.
  • the phoneme information is Uniphone information indicating current phoneme information, Triphone information indicating information about a phoneme present before and after the current phoneme and the current phoneme (that is, previous phoneme-current phoneme-information about the next phoneme) and Quinphone information may be included indicating information about two consecutive phonemes, i.e., the previous phoneme-the previous phoneme-the current phoneme-the next phoneme-the next phoneme. .
  • the processor 120 may select a specific type of context information among a plurality of predefined context information types, and obtain context information of the selected type from the first user voice.
  • the context information may be composed of various types such as phoneme information, phoneme location information, phoneme number information, syllable location information, and word location information.
  • the processor 120 may select one context information among a plurality of predefined context information types, and acquire context information of the first user voice using the selected context information type.
  • the processor 120 tests the context information of the first user voice and the plurality of tests according to the similarity between the acoustic characteristics of the first user voice and the acoustic characteristics of each of the plurality of test voices, and the predefined plurality of types of context information. Similarity between context information of each voice may be determined.
  • the plurality of test voices may be obtained from the speaker who uttered the first user voice, or may be obtained using a database including a plurality of user voices.
  • the processor 120 may determine the similarity between the acoustic characteristics of the first user voice and the acoustic characteristics of each of the plurality of test voices.
  • the processor 120 compares a spectrum characteristic or a prosody characteristic of a plurality of test voices included in each of the plurality of test voices with a spectrum characteristic or a prosody characteristic of the first user voice, thereby testing a plurality of tests for the first user voice It is possible to determine the similar degree of each spectrum, height, size, speed, rhythm, and stress of each voice, and calculate a score corresponding to the similar degree.
  • the processor 120 may determine the similarity between the context information of the first user voice and the context information of each of the plurality of test voices, for each type of the plurality of predefined context information.
  • the processor 120 may obtain context information for each type from each of the first user voice and the plurality of test voices, for each type of a plurality of predefined context information.
  • the processor 120 may compare context information obtained from each of the first user voice and the plurality of test voices to each other to determine similarity between the context information.
  • the processor 120 may determine the similarity based on Equation 1 below.
  • A means context information of the first user voice
  • B means context information of the test voice
  • the context information type uses current phoneme information, that is, uniphone information, among the plurality of context information types described in FIG. 2.
  • A's uniphone (s) and B's uniphone (s) are all 1.
  • Phonemes u and n are included in 'sun', but not included in 'sing', so uniphone (u) and uniphone (n) of A are 1, and uniphone (u) and uniphone (n) of B are 0. .
  • phonemes i and ng are included in 'sing', but not included in 'sun', the values of A's uniphone (i), uniphone (ng) are 0, and B's uniphone (i) and uniphone (ng) are 1.
  • 1 in that the phoneme s is common, and
  • 3 in that there are three phonemes of the test voice B.
  • the triphone of the first user's voice and the test voice (x) can be represented as 1.
  • the triphone of the first user's voice and the test voice (x) can be represented as 1.
  • Table 2 in triphone (x), at least two of the following phonemes of 'previous phoneme of phoneme x-current phoneme x-phoneme x' of first user voice and test voice Since the above is not the same, the similarity value of the first user voice and the test voice may be zero.
  • triphone (x) if at least one phoneme of the first user's voice and the test voice's previous phoneme of phoneme x-current phoneme x-next phoneme of phoneme x 'is the same, the first user voice and test voice You may be able to display triphone (x) as 1.
  • the triphone (s) of the first user voice and the test voice Can be represented as 1 in binary representation.
  • an expression for determining the similarity between the context information of the first user voice and the context information of the test voice is not limited to Equation 1, and various determination methods may be used according to various embodiments. For example, methods such as jaccard similarity measure and cosine similarity measure used in natural language processing may be used to determine similarity.
  • the processor 120 may select, for each of a plurality of predefined context information types, a context information type in which the distribution of test context information similarity to the test acoustic feature similarity satisfies a preset condition.
  • the processor 120 may select a context information type in which the distribution of test context information similarity to test acoustic characteristic similarity indicates linearity.
  • the test voices are 'drum', 'sing' and 'son'.
  • the similarity between the 'sun' acoustic feature and the 'drum', 'sing' and 'son' acoustic features is 0.3, 0.5, and 0.8, respectively, in relation to the similarity of the acoustic features.
  • context information of type A when the context information of type A is used, it is assumed that the similarity between context information of 'sun' and context information of 'drum', 'sing' and 'son' is 0.2, 0.8, and 0.6, and context information of type B is used. It is assumed that the similarity between context information of 'sun' and context information of 'drum', 'sing' and 'son' is 0.2, 0.6, and 0.8.
  • the context information type in which the distribution of the test context information similarity to the test acoustic feature similarity indicates linearity is the B type context information, and the processor 120 may select the B type context information.
  • the processor 120 may acquire context information from the first user voice (440).
  • the processor 120 may generate the speaker model 111 including the acquired context information and acoustic features.
  • the speaker registration step is completed.
  • the processor 120 may perform authentication on the speaker using the speaker model.
  • FIG 5 is a view for explaining an electronic device according to an embodiment of the present disclosure, specifically, a view for explaining an electronic device 100 that performs speaker authentication.
  • the processor 120 may calculate a score for the speaker model of the second user voice using the acoustic characteristics of the second user voice (540).
  • the score for the speaker model of the second user voice may be a value indicating the similarity between the acoustic feature of the second user voice and the acoustic feature of the first user voice stored in the speaker model.
  • the method for determining the similarity between the acoustic characteristics of the second user voice and the acoustic characteristics of the first user voice stored in the speaker model includes the acoustic characteristics of the first user voice and the acoustics of the plurality of test voices described in FIG. 4. Since the method of determining similarity between features is the same, a detailed description will be omitted.
  • the processor 120 may compare the similarity between the acoustic characteristic of the second user voice and the acoustic characteristic of the first user voice stored in the speaker model 111 with a threshold value.
  • the threshold may be calculated based on the similarity between the context information of the second user voice and the context information included in the speaker model 111 (550).
  • the processor 120 may perform voice recognition on the second user voice using the voice recognition module stored in the memory 110 (520). That is, the processor 120 may perform speech recognition on the second user's voice to convert the first user's voice into text (Speech-To-Text, STT).
  • the processor 120 may process the speech recognition result of the second user's speech using the speech recognition module (530). Specifically, the processor 120 may perform morphological analysis, syntax analysis, and semantic understanding analysis on the first user voice converted to text through a natural language processing process.
  • the processor 120 may generate context information of the second user voice using the natural user-processed second user voice.
  • the processor 120 may generate context information of the second user voice in consideration of context information of the first user voice included in the speaker model 111. For example, if the context information of the first user voice included in the speaker model 111 is generated using the context information of the Uniphone type, the processor 120 considers the context information of the first user voice stored in the speaker model, The context information of the second user voice may be generated as the context information of the Uniphone type.
  • the processor 120 may determine the similarity between the second user context information and the first user context information stored in the speaker model.
  • the similarity determination method between the context information of the second user voice and the context information of the first user voice stored in the speaker model is a method for determining the similarity between the context information of the first user voice and the context information of a plurality of test voices in FIG. 4. As the same, detailed description will be omitted.
  • the processor 120 may calculate a threshold value based on the similarity between the context information of the second user voice and the context information included in the speaker model 111.
  • the processor 120 may have similarities between the context information of the second user voice and the context information included in the speaker model, and when the context information of the first user voice and the context information of the second user voice are the same, the first and first A threshold may be calculated based on a maximum value that can have similarity between two acoustic features.
  • the threshold may be determined to be proportional to the similarity between the context information of the second user voice and the context information included in the speaker model.
  • the processor 120 may calculate a threshold using the following equation.
  • Th (S (A, B)) represents a threshold value for the similarity between the context information of the first user voice and the context information of the second user voice
  • S (A, B) is the first user context information and the first 2 Indicates the similarity of user context information.
  • Max_score corresponds to a maximum value that can have similarity between the acoustic characteristics of the first and second user voices when the context information of the first user voice and the second user voice included in the speaker model are the same.
  • w corresponds to a preset weight.
  • the context information of the second user voice and the context information of the first user voice included in the speaker model are binary as follows. Can be expressed.
  • the similarity S (A, B) of the context information of the second user voice and the context information of the first user voice included in the speaker model may be represented by 2/3 using Equation (2).
  • the threshold (Th (S (A, B))) is the similarity (S) between the context information of the second user voice and the first user context information included in the speaker model. (A, B)). That is, when the similarity between the second user context information and the context information included in the speaker model is lowered, the threshold may also be lowered.
  • Equation 2 is an equation according to an embodiment of the present disclosure, and in some cases, the threshold may be determined to be inversely proportional to the similarity between context information of the second user voice and context information included in the speaker model. That is, the threshold may be calculated by applying the following equation.
  • Th (S (A, B)) denotes a threshold value for the similarity between the context information of the first user voice and the context information of the second user voice
  • S (A, B) is the first user Similarity between the context information and the second user context information
  • Max_score is the similarity between the acoustic characteristics of the first and second user speech when the context information of the first user speech and the second user speech included in the speaker model are the same. The maximum value that can be taken.
  • the first information included in the context information and the speaker model of the second user voice using Table 2 and Equation 2 above The similarity S (A, B) of the context information of the user voice may be represented by 2/3.
  • the threshold (Th (S (A, B))) is the similarity (S) between the context information of the second user voice and the first user context information included in the speaker model. It can be seen that it is determined to be inversely proportional to (A, B)). That is, when the similarity between the second user context information and the context information included in the speaker model is lowered, the threshold may be increased.
  • the processor 120 includes context information of the first user voice and context of the second user voice included in the speaker model 111.
  • the threshold may be set to a preset value (second value).
  • the processor 120 may set the threshold to 1.
  • the processor 120 sets a threshold value. It can also be set to (second value).
  • the processor 120 may set the threshold to 0.5.
  • the processor 120 compares the calculated threshold with the similarity between the acoustic characteristics of the second user's voice and the acoustic characteristics of the first user's voice stored in the speaker model to perform authentication for the speaker who uttered the second user's voice. It can be done (560).
  • the processor 120 may determine that authentication of the speaker is successful. have.
  • the threshold Th (S (A, B)) may be calculated to have different values according to Equation (2), Equation (3), or setting method, and the processor (120) may provide acoustic characteristics of the second user's voice.
  • the similarity between the acoustic characteristics of the speaker model and the value is greater than or equal to a calculated threshold, it may be determined that authentication of the speaker who uttered the second user voice is successful.
  • the processor 120 may allow access to the speaker who utters the second user voice and provide secure content.
  • the processor 120 utters the second user voice. It may limit the access of the speaker and may not provide secure content.
  • the electronic device 100 includes a memory 110, a communication unit 130, a display 140, a microphone 150, an audio output unit 160, a user input unit 170, and a processor 120 ).
  • the memory 110 may store various programs and data necessary for the operation of the electronic device 100.
  • the memory 110 may be implemented as a non-volatile memory, a volatile memory, a flash-memory, a hard disk drive (HDD) or a solid state drive (SSD).
  • the memory 110 is accessed by the processor 120, and data read / write / modify / delete / update may be performed by the processor 120.
  • the term memory refers to a memory card (not shown) mounted on a memory 110, a ROM (not shown), a RAM (not shown), or an electronic device 100 in the processor 120 (eg, micro SD) Card, memory stick).
  • the memory 110 may store a speaker model including acoustic characteristics and context information of the first user voice.
  • the memory 110 includes a voice recognition module 112 for voice recognition and natural language processing of the first and second user voices, and an acoustic feature extraction module 113 for extracting acoustic features of the first and second user voices. You can also save a voice recognition module 112 for voice recognition and natural language processing of the first and second user voices, and an acoustic feature extraction module 113 for extracting acoustic features of the first and second user voices. You can also save
  • the communication unit 130 is a component for the electronic device 100 to communicate with the display device 200 or the external electronic device 300.
  • the electronic device 100 may receive a user voice signal from the display device 200 or the external electronic device 300 through the communication unit 130.
  • the communication unit 130 may include various communication modules such as a wired communication module (not shown), a short-range wireless communication module (not shown), and a wireless communication module (not shown).
  • various communication modules such as a wired communication module (not shown), a short-range wireless communication module (not shown), and a wireless communication module (not shown).
  • the wired communication module is a module for performing communication with an external device (not shown) according to a wired communication method such as wired Ethernet.
  • the short-range wireless communication module is a module for performing communication with an external device (not shown) located at a short distance according to a short-range wireless communication method such as Bluetooth (Bluetooth, BT), Bluetooth Low Energy (BLE), and ZigBee.
  • the wireless communication module is a module that is connected to an external network according to wireless communication protocols such as WiFi and IEEE to perform communication with an external device (not shown) and a voice recognition server (not shown).
  • the wireless communication module is based on various mobile communication standards such as 3G (3rd Generation), 3GPP (3rd Generation Partnership Project), LTE (Long Term Evolution), LTE-A (LTE Advanced), and 5G Networks. It may further include a mobile communication module that performs communication by connecting to a mobile communication network.
  • the communication unit 130 may communicate with a remote control device for controlling the display device 200 or the external electronic device 300 as well as the display device 200 or the external electronic device 300.
  • the remote control device may be a smart phone, a smart watch, a tablet PC, a PC, a laptop, etc. that can control an external device by installing an application as well as a remote control and pointing device.
  • the communication unit 130 may transmit and receive various data by performing communication with a remote control device (not shown) according to a short-range communication method such as Bluetooth or BLE.
  • a short-range communication method such as Bluetooth or BLE.
  • the electronic device 100 may include an interface unit (not shown) for connecting to the display device 200 or the external electronic device 300 to exchange video / audio signals.
  • the interface part is a Display Port (DP), high definition multimedia interface (HDMI), consumer electronics control (HDMI-CEC), Red Green Blue (RGB) cable, Universal Serial Bus (USB), Digital Visual Interface (DVI), Thunderbold ( Thunderbolt), a component (Component), etc. can transmit / receive signals / data according to standards, and include at least one connector or terminal corresponding to each of these standards.
  • DP Display Port
  • HDMI high definition multimedia interface
  • HDMI-CEC consumer electronics control
  • RGB Red Green Blue
  • USB Universal Serial Bus
  • DVI Digital Visual Interface
  • Thunderbold Thunderbolt
  • Component a component
  • the display 140 may display image data processed by an image processing unit (not shown) on a display area (or display).
  • the display area may mean at least a part of the display 140 exposed on one surface of the housing of the electronic device 100. At least a portion of the display 140 may be coupled to at least one of a front region, a side region, and a rear region of the electronic device 100 in the form of a flexible display.
  • the flexible display may be characterized by being able to bend, bend, or roll without damage through a thin and flexible substrate like paper.
  • the microphone 150 may acquire first and second user voices. Specifically, the microphone 150 may receive an external user's voice using a microphone and process it as electrical voice data. In this case, the microphone 150 may transmit the processed voice data to the processor 120.
  • the microphone 150 may be provided inside the electronic device 100, but this is only an example, and may be provided outside by being electrically connected to the electronic device 100.
  • the audio output unit 160 is a component that outputs various notification sounds or voice messages as well as various audio data performed by various processing operations such as decoding, amplification, and noise filtering by the audio processing unit (not shown).
  • the configuration for outputting audio may be implemented as a speaker, but this is only an example, and may be implemented as an output terminal capable of outputting audio data.
  • the user input unit 170 may receive various user inputs and transmit them to the processor 120.
  • the user input unit 170 may include, for example, a touch panel, a (digital) pen sensor, or a key.
  • the touch panel for example, at least one of capacitive, pressure-sensitive, infrared, and ultrasonic methods may be used.
  • the touch panel may further include a control circuit.
  • the touch panel may further include a tactile layer to provide a tactile reaction to the user.
  • the (digital) pen sensor may be, for example, a part of the touch panel or may include a separate recognition sheet.
  • the key may include, for example, a physical button, an optical key, or a keypad.
  • the processor 120 may control the overall operation of the electronic device 100 using various programs stored in the memory 1140.
  • the processor 1170 may be composed of a RAM (not shown), a ROM (not shown), a graphic processing unit (not shown), a main CPU (not shown), first to n interfaces (not shown), and a bus (not shown). have. At this time, RAM (not shown), ROM (not shown), graphic processing unit (not shown), main CPU (not shown), first to n interfaces (not shown), etc. may be connected to each other through a bus (not shown). .
  • the electronic device 100 at least some of the components of the electronic device 100 illustrated in FIG. 3 may be omitted.
  • the electronic device 100 when the electronic device 100 is implemented as a server as shown in FIGS. 1A and 1B, in that the external electronic device receives a user voice and a response to the user voice is also output from the external electronic device.
  • the display 140 of FIG. 3, the microphone 150, and the audio output unit 160 may be omitted.
  • FIG. 6 is a flowchart illustrating a method of controlling an electronic device according to an embodiment of the present disclosure.
  • the electronic device 100 stores a speaker model including acoustic characteristics and context information of the first user voice (S610).
  • the electronic device 100 determines the similarity between the acoustic characteristics of the first user voice and the acoustic characteristics of the second user voice included in the speaker model, and the similarity between the context information included in the speaker model and the context information of the second user voice. Compare with the threshold value that is changed according to (S620). Thereafter, authentication for the second user voice is performed (S630).
  • the threshold may be determined to be proportional to the similarity between the context information of the second user voice and the context information included in the speaker model.
  • the electronic device 100 calculates a threshold value based on the similarity between the context information of the second user voice and the context information included in the speaker model, and calculates the calculated threshold value, the acoustic characteristics of the second user voice, and the speaker The similarity between the acoustic characteristics of the first user voice stored in the model can be compared.
  • the electronic device 100 calculates a threshold value based on a maximum value that can have similarity between the first and second acoustic characteristics. You can.
  • the electronic device 100 may determine that authentication for the second user voice is successful. have.
  • the electronic device 100 may acquire acoustic characteristics and context information of the first user voice from the first user voice, and store a speaker model including the acquired acoustic characteristics and context information. have.
  • the electronic device 100 may select one context information type among a plurality of predefined context information types.
  • the electronic device 100 determines the similarity between the acoustic characteristics of the first user voice and the acoustic characteristics of each of the plurality of test voices, and for each type of the context information, the context information of the first user voice and the plurality of The similarity between the context information of each test voice may be determined, and among the plurality of context information types, a context information type in which the distribution of the similarity of the determined acoustic characteristics to the similarity between the determined context information satisfies a preset condition. You can choose.
  • the electronic device 100 may acquire context information of the first user voice using the selected context information type.
  • the electronic device 100 analyzes the second user voice, obtains context information of the second user voice using the selected context information type, and between the context information of the second user voice and the context information included in the speaker model
  • the threshold may be determined based on the similarity.
  • control method as described above may be implemented as a program including an executable algorithm that can be executed on a computer, and the program can be provided stored in a non-transitory computer readable medium.
  • the non-transitory readable medium means a medium that stores data semi-permanently and that can be read by a device, rather than a medium that stores data for a short time, such as registers, caches, and memory.
  • a non-transitory readable medium such as a CD, DVD, hard disk, Blu-ray disk, USB, memory card, ROM, and the like.

Abstract

본 개시에서는 전자 장치 및 이의 제어 방법이 제공된다. 본 개시의 전자장치는 제1 사용자 음성의 음향 특징 및 문맥 정보(context information)를 포함하는 화자 모델이 저장된 메모리 및 화자 모델에 포함된 제1 사용자 음성의 음향 특징과 제2 사용자 음성의 음향 특징간 유사도를, 화자 모델에 포함된 문맥 정보와 제2 사용자 음성의 문맥 정보간 유사도에 따라 변경되는 임계 값과 비교하여, 제2 사용자 음성에 대한 인증을 수행하는 프로세서를 포함한다.

Description

전자 장치 및 그 제어 방법
본 개시는 전자 장치 및 그 제어 방법에 관한 것으로, 구체적으로는 화자인식을 수행하는 전자 장치 및 그 제어 방법에 관한 것이다.
전자 기술의 발전에 따라 무선 통신 기술이 보편화된 가운데, 해킹이나 개인정보유출을 방지하기 위한 보안 기술이 발전하고 있다. 최근에는 지문, 홍채, 얼굴, 목소리 등과 같이 사용자의 신체 일부를 이용하여 사용자를 인증하는 생체인식 기술이 등장하고 있다.
최근 음성 인식 기술 및 인공 지능 기술의 발달로 사용자의 음성을 명령으로 입력 받아 기능을 수행하는 전자 장치가 증가함에, 음성을 통하여 인증된 사용자에게만 기능을 수행하도록 하는 전자 장치에 관한 관심 또한 증가하고 있다.
이와 관련하여, 화자인식은 발화한 사용자의 음성에 포함된 특징을 이용하여 사용자를 인증하는 기술을 의미한다. 화자인식은 사용자가 발화하여 특정 음성을 등록하는 등록단계과 등록 이후 사용자가 발화한 음성을 등록된 특정 음성과 비교하여 화자를 인증하는 인증단계을 포함한다.
화자인식은 등록단계에서는 발화(등록발화)된 음성의 음향특징으로 화자 모델을 생성하고, 인증단계에서는 화자 모델에 포함된 등록단계에서 발화한 음성의 음향특징과 인증단계에서 발화(검증발화)한 음성의 음향특징을 비교하여 비교 결과가 특정 임계값 이상인 경우 등록발화의 화자와 검증발화의 화자가 동일하다고 판단한다.
화자인식은 인증단계를 기준으로 크게 등록단계에서 등록된 음성와 동일한 음성을 발화하여 화자를 인증하는 문장종속 방식과 등록된 음성에 상관없이 자유롭게 음성을 발화하여 화자를 인증하는 문장독립 방식으로 나뉠 수 있다.
문장종속 화자인식 방식의 경우, 전자 장치가 등록단계와 인증단계에서 동일한 발화어를 이용하기 때문에 전자 장치의 화자인식의 정확도가 높은 반면, 일정한 발화어만을 이용한다는 점에서 사용성 측면에서 활용도가 낮다.
한편, 문장독립 화자인식 방식의 경우, 전자 장치가 사용자가 자유롭게 발화한 음성을 인식한다는 점에서 활용도가 높으나, 등록발화와 상이한 검증발화를 하는 경우가 대부분이어서, 문장종속 방식에 비하여 화자인식의 성능이 낮은 단점이 있다.
본 개시는 상술한 문제점에서 도출된 것으로, 본 개시의 목적은 등록단계에서 등록발화와 인증단계에서의 검증발화의 유사도를 사용하여 문장독립 화자 인식을 수행하는 전자 장치 및 그 제어 방법을 제공함에 있다.
본 개시의 일 실시예에 따른 전자 장치는, 제1 사용자 음성의 음향 특징 및 문맥 정보(context information)를 포함하는 화자 모델을 저장하는 메모리; 및 상기 화자 모델에 포함된 제1 사용자 음성의 음향 특징과 제2 사용자 음성의 음향 특징간 유사도를, 상기 화자 모델에 포함된 문맥 정보와 제2 사용자 음성의 문맥 정보간 유사도에 따라 변경되는 임계 값과 비교하여, 상기 제2 사용자 음성에 대한 인증을 수행하는 프로세서;를 포함한다.
여기에서, 상기 임계 값은, 상기 제2 사용자 음성의 문맥 정보와 상기 화자 모델에 포함된 문맥 정보 사이의 유사도에 비례하도록 결정될 수 있다.
그리고, 상기 프로세서는, 상기 제2 사용자 음성의 문맥 정보와 상기 화자 모델에 포함된 문맥 정보 사이의 유사도에 기초하여 상기 임계 값을 산출하고, 상기 산출된 임계 값을, 제2 사용자 음성의 음향 특징과 상기 화자 모델에 저장된 제1 사용자 음성의 음향 특징 사이의 유사도와 비교할 수 있다.
또한, 상기 프로세서는, 상기 제1 사용자 음성의 문맥 정보와 상기 제2 사용자 음성의 문맥 정보가 동일한 경우 상기 제1 사용자 음성의 음향 특징과 제2 사용자 음성의 음향 특징 사이의 유사도가 가질 수 있는 최대 값에 기초하여 상기 임계 값을 산출할 수 있다.
그리고, 상기 프로세서는, 상기 제2 사용자 음성의 음향 특징과 상기 화자 모델에 저장된 제1 사용자 음성의 음향 특징 사이의 유사도가 상기 임계 값 이상인 경우, 상기 제2 사용자 음성에 대한 인증이 성공된 것으로 판단할 수 있다.
또한, 상기 프로세서는, 상기 제1 사용자 음성이 수신되면, 상기 제1 사용자 음성으로부터 상기 제1 사용자 음성의 음향 특징 및 문맥 정보를 획득하고, 상기 획득된 음향 특징 및 문맥 정보를 포함하는 상기 화자 모델을 상기 메모리에 저장할 수 있다.
그리고, 상기 프로세서는, 기정의된 복수의 문맥 정보 타입(type) 중 하나의 문맥 정보 타입을 선택하고, 상기 선택된 문맥 정보 타입을 이용하여 상기 제1 사용자 음성의 문맥 정보를 획득하고, 상기 획득된 문맥 정보를 상기 메모리에 저장할 수 있다.
또한, 상기 프로세서는, 상기 제1 사용자 음성의 음향 특징과 복수의 테스트 음성 각각의 음향 특징 사이의 유사도를 판단하고, 상기 복수의 문맥 정보의 타입 별로, 상기 제1 사용자 음성의 문맥 정보와 상기 복수의 테스트 음성 각각의 문맥 정보 사이의 유사도를 판단하며, 상기 복수의 문맥 정보 타입 중, 상기 판단된 문맥 정보 사이의 유사도에 대한 상기 판단된 음향 특징의 유사도의 분포가 기설정된 조건을 만족하는 문맥 정보 타입을 선택할 수 있다.
그리고, 상기 프로세서는, 상기 제2 사용자 음성을 분석하고, 상기 선택된 문맥 정보 타입을 이용하여 상기 제2 사용자 음성의 문맥 정보를 획득하고, 상기 제2 사용자 음성의 문맥 정보와 상기 화자 모델에 포함된 문맥 정보 사이의 유사도에 기초하여 상기 임계 값을 결정할 수 있다.
한편, 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법은, 제1 사용자 음성의 음향 특징 및 문맥 정보(context information)를 포함하는 화자 모델을 저장하는 단계; 상기 화자 모델에 포함된 제1 사용자 음성의 음향 특징과 제2 사용자 음성의 음향 특징간 유사도를, 상기 화자 모델에 포함된 문맥 정보와 제2 사용자 음성의 문맥 정보간 유사도에 따라 변경되는 임계 값과 비교하는 단계; 및 상기 제2 사용자 음성에 대한 인증을 수행하는 단계;를 포함한다.
이때, 상기 임계값은, 상기 제2 사용자 음성의 문맥 정보와 상기 화자 모델에 포함된 문맥 정보 사이의 유사도에 비례하도록 결정될 수 있다.
또한, 상기 비교하는 단계는, 상기 제2 사용자 음성의 문맥 정보와 상기 화자 모델에 포함된 문맥 정보 사이의 유사도에 기초하여 상기 임계 값을 산출하는 단계 및, 상기 산출된 임계 값을, 제2 사용자 음성의 음향 특징과 상기 화자 모델에 저장된 제1 사용자 음성의 음향 특징 사이의 유사도와 비교하는 단계를 포함할 수 있다.
그리고, 상기 산출하는 단계는, 상기 제1 사용자 음성의 문맥 정보와 상기 제2 사용자 음성의 문맥 정보가 동일한 경우 상기 제1 사용자 음성의 음향 특징과 제2 사용자 음성의 음향 특징 사이의 유사도가 가질 수 있는 최대 값에 기초하여 상기 임계 값을 산출하는 단계일 수 있다.
또한, 상기 인증을 수행하는 단계는, 상기 제2 사용자 음성의 음향 특징과 상기 화자 모델에 저장된 제1 사용자 음성의 음향 특징 사이의 유사도가 상기 임계 값 이상인 경우, 상기 제2 사용자 음성에 대한 인증이 성공된 것으로 판단하는 단계를 포함할 수 있다.
그리고, 상기 제1 사용자 음성이 수신되면, 상기 제1 사용자 음성으로부터 상기 제1 사용자 음성의 음향 특징 및 문맥 정보를 획득하는 단계; 및 상기 획득된 음향 특징 및 문맥 정보를 포함하는 상기 화자 모델을 저장하는 단계;를 더 포함할 수 있다.
또한, 상기 획득하는 단계는, 기정의된 복수의 문맥 정보 타입(type) 중 하나의 문맥 정보 타입을 선택하는 단계; 및 상기 선택된 문맥 정보 타입을 이용하여 상기 제1 사용자 음성의 문맥 정보를 획득하는 단계;를 포함할 수 있다.
그리고, 상기 선택하는 단계는, 상기 제1 사용자 음성의 음향 특징과 상기 복수의 테스트 음성 각각의 음향 특징 사이의 유사도를 판단하는 단계;, 상기 복수의 문맥 정보의 타입 별로, 상기 제1 사용자 음성의 문맥 정보와 복수의 테스트 음성 각각의 문맥 정보 사이의 유사도를 판단하는 단계; 및 상기 복수의 문맥 정보 타입 중, 상기 판단된 문맥 정보 사이의 유사도에 대한 상기 판단된 음향 특징의 유사도의 분포가 기설정된 조건을 만족하는 문맥 정보 타입을 선택하는 단계;를 포함할 수 있다.
마지막으로, 상기 제2 사용자 음성을 분석하고, 상기 선택된 문맥 정보 타입을 이용하여 상기 제2 사용자 음성의 문맥 정보를 획득하는 단계; 상기 제2 사용자 음성의 문맥 정보와 상기 화자 모델에 포함된 문맥 정보 사이의 유사도에 기초하여 상기 임계 값을 결정하는 단계;를 더 포함할 수 있다.
상술한 바와 같은 실시예에 따라, 전자 장치는 화자 모델에 저장된 사용자 음성과 입력된 사용자 음성의 유사도에 따라 임계값을 가변적으로 변경할 수 있으므로, 화자 인식 시스템의 사용성이 증가될 수 있다.
도 1은 본 개시의 다양한 실시예에 따른, 대화 시스템을 도시한 도면,
도 2는 본 개시의 일 실시예에 따른 전자 장치의 구성을 설명하기 위한 블록도,
도 3은 본 개시의 일 실시예에 따른 전자 장치의 구성을 상세히 도시한 블록도,
도 4 및 5는 본 개시의 일 실시예에 따른 전자 장치를 설명하기 위한 도면, 및
도 6은 본 개시의 일 실시예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐픔도이다.
-
본 개시에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.　
본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 개시의 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 개시된 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 실시 예들을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 "모듈" 혹은 "부"는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 "모듈" 혹은 복수의 "부"는 특정한 하드웨어로 구현될 필요가 있는 "모듈" 혹은 "부"를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서(미도시)로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.　그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
이하에서는 도면을 참조하면 본 개시의 다양한 실시 예들에 대하여 구체적으로 설명하도록 한다.
도 1은 본 개시의 다양한 실시예에 따른, 대화 시스템을 도시한 도면이다.
도 1(a)에 도시된 바와 같이, 대화 시스템(1000)은 전자 장치(100) 및 디스플레이 장치(200)를 포함한다.
전자 장치(100)는 사용자 음성을 수신하고, 수신된 사용자 음성에 대하여 음성 인식을 수행한다. 구체적으로, 전자 장치(100)는 수신된 사용자 음성에 대한 전처리를 수행하고, 사용자 음성에 대한 음성 인식을 수행하여 사용자 음성을 텍스트로 변환하고(Speech to Test, STT), 음성 인식 결과에 기초하여 사용자 음성의 의도 및 엔티티를 파악할 수 있다.
이를 위해, 전자 장치(100)는 자동 음성 인식(Automatic Speech Recognition, ASR) 모듈, 자연어 이해(Natural Language Understanding, NLU) 모듈, 대화 관리(Dialogue Management, DM) 모듈, 자연어 생성(Natural Language Generation, NLG) 모듈 등을 포함할 수 있다.
전자 장치(100)가 수신된 사용자 음성에 대하여 음성 인식을 수행하고 사용자 음성을 텍스트로 변환할 수도 있으나, 전자 장치(100)는 수신된 사용자 음성에 대한 전처리를 수행하여 사용자 음성을 음성 신호로 변환하고, 사용자 음성 신호를 서버(미도시)에 전송할 수도 있다.
이때, 서버(미도시)는 수신된 사용자 음성 신호에 대하여 음성 인식을 수행하여 사용자 음성을 텍스트로 변환하는 STT 기능을 수행하고, 사용자 음성에 대한 음성 인식 결과를 전자 장치(100)에 전송할 수 있다.
전자 장치(100)는 자연어 이해 결과에 기초하여 사용자 음성에 대한 응답을 위한 정보를 가령, 웹 서버 등으로부터 획득하고, 획득된 정보에 기초하여 사용자 음성에 대한 응답 정보를 생성할 수 있다.
전자 장치(100)는 생성된 응답 정보를 디스플레이 장치(200)에 전송할 수 있다.
디스플레이 장치(200)는 수신된 응답 정보에 기초하여 사용자 음성에 대한 응답을 제공할 수 있다.
예를 들어, 디스플레이 장치(200)는 TTS(Text to Speech)를 통해, 수신된 응답 정보에 포함된 텍스트를 음성으로 변환하여 디스플레이 장치(200)의 스피커를 통해 출력하거나, 또는 해당 텍스트를 포함하는 유저 인터페이스(User interface)를 디스플레이 장치(200)의 디스플레이를 통해 표시할 수 있다.
한편, 전자 장치(100)는 대화 시스템을 동작하기 위한 인공지능 에이전트를 저장할 수 있다. 구체적으로, 전자 장치(100)는 사용자 음성에 대한 응답으로 자연어를 생성하기 위하여 인공지능 에이전트를 이용할 수 있다. 인공지능 에이전트는 AI(Artificial Intelligence) 기반의 서비스(예를 들어, 음성 인식 서비스, 비서 서비스, 번역 서비스, 검색 서비스 등)를 제공하기 위한 전용 프로그램으로서, 기존의 범용 프로세서(예를 들어, CPU) 또는 별도의 AI 전용 프로세서(예를 들어, GPU 등)에 의해 실행될 수 있다. 특히, 인공지능 에이전트는 다양한 모듈을 제어할 수 있다.
이 경우, 전자 장치(100)는 자연어로 생성된 사용자 음성에 대한 응답 정보를 디스플레이 장치(200)로 전송할 수 있으며, 디스플레이 장치(200)는 응답 정보를 자연어로 출력하여 사용자에게 제공할 수 있게 된다.
이와 같이, 대화 시스템(1000)은 사용자 음성에 대한 응답을 제공할 수 있게 되어, 사용자는 디스플레이 장치(200)와 대화를 수행할 수 있게 된다.
도 1(a)에서는 전자 장치(100)와 디스플레이 장치(200)를 구분하여 도시하였으나, 도 1(b)와 같이, 전자 장치(100)와 디스플레이 장치(200)가 하나의 장치 내에서 구현될 수도 있다.
이 경우, 전자 장치(100)는 사용자 음성을 수신하고, 수신된 사용자 음성에 대하여 음성 인식을 수행하여 사용자 음성에 대한 응답 정보를 제공할 수 있다.
이를 위하여 전자 장치(100)는 사용자 음성에 대한 응답 정보를 제공하기 위하여 디스플레이, 스피커 등을 포함할 수 있다.
도 1(b)와 같이 전자 장치(100)와 디스플레이 장치(200)가 하나의 장치 내에서 구현된 경우, 전자 장치(100)는 서버(미도시)와 연결되어 수신된 사용자 음성을 음성 신호로 변환한 후, 음성 신호를 서버(미도시)에 전송할 수 있다. 이때, 서버(미도시)는 사용자 음성 신호를 텍스트로 변환하는 STT 기능을 수행하고 음성 인식 결과를 전자 장치(100)에 전송할 수 있다.
한편, 도 1 (c)와 같이, 전자 장치(100)는 서버로 구현될 수도 있다.
이 경우, 외부 전자 장치(300)는 사용자가 발화한 음성을 수신하고, 수신한 사용자의 음성을 음성 신호로 변환하고, 이를 전자 장치(100)에 전송할 수 있다.
전자 장치(100)는 외부 전자 장치(300)로부터 사용자 음성을 수신하면, 수신된 사용자 음성에 대하여 음성 인식을 수행할 수 있다. 구체적으로, 전자 장치(100)는 사용자 음성 신호를 텍스트로 변환하고, 사용자 음성에 대한 자연어 이해 처리를 수행하여, 사용자 음성의 의도 및 엔티티를 파악할 수 있다.
전자 장치(100)는 자연어 이해 결과에 기초하여 사용자 음성에 대한 응답을 위한 정보를 웹 서버 등과 같은 또 다른 서버로부터 획득하고, 획득한 정보에 기초하여 사용자 음성에 대한 응답 정보를 생성할 수 있다.
전자 장치(100)는 생성된 응답 정보를 외부 전자 장치(300)에 전송할 수 있다.
외부 전자 장치(300)는 디스플레이 장치(200)와 유무선으로 연결되어 전자 장치(100)로부터 수신한 응답 정보를 디스플레이 장치(200)에 전송할 수 있다. 응답 정보를 제공하는 디스플레이 장치(200)에 관한 설명은 도 1(a)와 중복되는바, 구체적인 설명은 생략한다.
한편, 도 1(c)에는 외부 전자 장치(300)와 디스플레이 장치(200)를 구분하여 도시하였으나, 도 1(d)에서와 같이, 외부 전자 장치(300)의 기능 및 디스플레이 장치(200)의 기능이 하나의 장치에서 구현될 수 있음은 물론이다.
도 1(d)에서와 같이, 전자 장치(100)가 서버로 구현되고, 외부 전자 장치(300)의 기능 및 디스플레이 장치(200)의 기능이 하나의 장치로 구현되는 경우, 디스플레이 장치(200)는 전자 장치(100)와 연결되어 사용자 음성을 수신하고, 수신된 사용자 음성을 음성 신호로 변환한 후, 변환된 음성 신호를 전자 장치(100)에 전송할 수 있다.
전자 장치(100)는 디스플레이 장치(200)로부터 수신한 사용자 음성에 대하여 음성 인식을 수행하고, 사용자 음성에 대한 응답 정보를 생성할 수 있다.
구체적으로, 전자 장치(100)는 사용자 음성 신호를 텍스트로 변환하고, 사용자 음성에 대한 자연어 이해 처리를 수행하여, 사용자 음성의 의도 및 엔티티를 파악할 수 있다. 그리고, 전자 장치(100)는 자연어 이해 결과에 기초하여 사용자 음성에 대한 응답을 위한 정보를 웹 서버 등과 같은 또 다른 서버로부터 획득하고, 획득한 정보에 기초하여 사용자 음성에 대한 응답 정보를 생성할 수 있다.
전자 장치(100)는 생성된 응답 정보를 디스플레이 장치(200)에 전송할 수 있으며, 디스플레이 장치(200)는 사용자에게 응답 정보를 제공하거나, 응답 정보에 따른 동작을 수행할 수 있다.
도 1 (a) 내지 (d)에서는 사용자가 직접 전자 장치(100)에 음성을 입력하는 것으로 도시되었으나, 사용자는 원격 제어 장치(미도시)에 사용자 음성을 입력할 수도 있다.
이 경우, 원격 제어 장치(미도시)는 수신한 사용자 음성(아날로그 신호)을 디지털 신호로 변환하고, 블루투스(Bluetooth) 등의 무선 통신을 통하여 변환된 사용자 음성 신호를 전자 장치(100)에 전송할 수 있다.
한편, 본 개시의 일 실시예에 따른 전자 장치(100)가 음성 인식 기능을 제공하기 위해서는 음성을 발화하는 화자에 대한 화자 인증이 필요하다.
여기에서, 화자 인증은 화자의 음성에 포함된 특징을 기저장된 음성의 특징과 비교하여 음성을 발화한 화자가 보안성 있는 전자 장치 또는 컨텐츠에 접근(access)할 권한이 있는지 식별하는 기술을 의미한다.
한편, 본 개시의 일 실시 예에 따르면, 전자 장치(100)는 제1 사용자 음성의 음향 특징 및 문맥 정보를 포함하는 화자 모델을 생성하여 저장한다. 그리고, 제2 사용자 음성이 수신되면 전자 장치(100)는 화자 모델에 포함된 제1 사용자 음성의 음향 특징과 제2 사용자 음성의 음향 특징간 사이의 유사도를, 화자 모델에 포함된 제1 사용자 음성의 문맥 정보와 제2 사용자 음성의 문맥 정보간 유사도에 따라 변경되는 임계값과 비교하여 제2 사용자 음성에 대하여 화자 인증을 수행한다.
이에 따라, 본 개시의 다양한 실시 예에 따르면, 제2 사용자 음성의 문맥 정보와 화자 모델에 포함된 문맥 정보의 유사도를 이용하여, 제1 및 제2 음향 특징간의 유사도에 대한 임계값을 결정한다는 점에서, 제2 사용자 음성의 문맥 정보와 화자 모델에 포함된 문맥 정보의 유사도에 따라 제2 사용자 음성의 음향 특징 유사 판단에 대한 임계값이 조정될 수 있다는 이점이 있다.
이하에서, 본 개시의 다양한 실시 예에 따라 화자 인증을 수행하는 방법에 대해 구체적으로 설명하도록 한다.
도 2는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.
도 2를 참조하면, 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함할 수 있다.
메모리(110)는 전자 장치(100)의 동작에 필요한 각종 프로그램 및 데이터 등을 저장할 수 있다.
구체적으로, 메모리(110)는 제1 사용자 음성의 음향 특징 및 문맥 정보(context information)을 포함하는 화자 모델을 저장할 수 있다.
여기에서, 제1 사용자 음성의 음향 특징은 제1 사용자 음성의 주파수 별 분포를 나타내는 spectrum 특징 또는 제1 사용자 음성의 높낮이, 크기, 속도, 리듬, 강세 등을 나타내는 prosody 특징을 포함할 수 있다.
한편, 제1 사용자 음성의 문맥 정보는 제1 사용자 음성에 포함된 음소의 위치 정보, 음절의 위치 정보, 단어의 위치 정보, 음소 정보(Uniphone, Triphone, Quinphone), 음소의 개수 정보, 음절 정보, 단어 정보 중 적어도 하나를 포함할 수 있다.
한편, 상술한 문맥 정보는 일 실시예이며, 시스템에 따라 또 다른 문맥 정보가 추가될 수 있음은 물론이다.
프로세서(120)는 메모리(110)와 전기적으로 연결되어 전자 장치(100)의 전반적인 동작 및 기능을 제어할 수 있다.
프로세서(120)는 수신된 사용자 음성을 처리하여 음성 신호를 생성하도록 마이크를 제어할 수 있다. 구체적으로, 프로세서(120)는 사용자 음성에 대하여 아날로그/디지털 변환, 필터링, 압축, 암호화 등의 신호 처리를 수행하여 음성 신호를 생성하도록 마이크를 제어할 수 있다.
프로세서(120)는 음성 신호로부터 음향 특징을 획득할 수 있다. 구체적으로, 프로세서(120)는 음성 신호로부터 사용자 음성의 주파수, 높낮이, 크기, 속도, 리듬, 강세 등 음향 특징을 획득할 수 있다.
프로세서(120)는 음성 신호로부터 문맥 정보를 획득할 수도 있다. 프로세서(120)는 음성 신호에 대한 음성 인식을 수행하여 문맥 정보를 획득할 수 있다. 프로세서(120)는 ASR 엔진을 이용하여 사용자의 음성 신호를 텍스트 데이터로 변환하고, NLU 엔진을 이용하여 사용자 음성에 대한 형태소 분석, 구문 분석, 의미이행 분석 등의 자연어 처리를 수행할 수 있다.
한편, 프로세서(120)는 사용자 음성 신호를 텍스트 데이터로 변환하는 대신에 사용자 음성 신호를 서버(미도시)에 전송할 수 있다. 이 경우 서버(미도시)는 STT(Speech to Text)기능만을 수행하는 STT서버이거나, 사용자 음성 신호에 대한 STT 기능을 수행할 뿐만 아니라 자연어 처리까지 수행하는 서버일 수 있다. 서버(미도시)가 STT 서버인 경우, 서버(미도시)는 사용자 음성 신호를 텍스트로 변환한 후에 변환된 사용자 음성에 대한 자연어 처리 등을 수행하기 위하여 이를 다른 서버에 또 다시 전송할 수도 있다.
프로세서(120)는 음성 인식을 수행하기 전에 음성 신호로부터 음향 특징을 획득하고, 음성 데이터에 대한 음성 인식을 수행할 수 있다. 그러나, 반드시 이에 한정되는 것은 아니며, 프로세서(120)는 음성 신호로부터 음향 특징을 획득하는 동시에, 음성 인식 엔진, 자연어 처리 엔진 등을 이용하여 문맥 정보를 획득할 수 있다.
프로세서(120)는 메모리(110)에 저장된 화자 모델(111)을 이용하여 화자에 대한 인증을 수행할 수 있다.
화자에 대한 인증을 위해, 먼저, 프로세서(120)는 화자를 등록할 수 있다. 이 경우, 화자 인증은 사용자 음성의 음향 특성을 전자 장치(100)에 기저장된 화자 모델에 포함된 음향 특성과 비교하여 수행된다는 점에서, 화자를 등록하는 것은 화자 모델을 생성하는 것으로 볼 수 있다.
프로세서(120)는 제1 사용자 음성이 수신되면, 제1 사용자 음성으로부터 제1 사용자 음성에 대한 음향 특징 및 문맥 정보를 획득하고, 획득된 음향 특징에 및 문맥 정보를 포함하는 화자 모델을 메모리(110)에 저장할 수 있다.
이하에서는 도 4와 함께, 화자 모델을 생성하는 방법에 대해 설명하도록 한다.
먼저, 프로세서(120)는 제1 사용자 음성이 수신되면(410), 제1 사용자 음성에 대한 음향 특징을 획득할 수 있다.
구체적으로, 프로세서(120)는 제1 사용자 음성을 시간 도메인 및 주파수 도메인에서 분석하여, 제1 사용자 음성의 스펙트럼, 크기, 속도, 리듬, 강세 등과 같은 제1 사용자 음성에 대한 음향 특징을 획득할 수 있다(450).
또한, 프로세서(120)는 제1 사용자 음성이 수신되면(410), 제1 사용자 음성에 대한 문맥 정보를 획득할 수 있다.
구체적으로, 프로세서(120)는 메모리(110)에 저장된 음성 인식 모듈을 이용하여 제1 사용자 음성에 대해 음성 인식을 수행할 수 있다(420). 즉, 프로세서(120)는 제1 사용자 음성에 대한 음성 인식을 수행하여, 제1 사용자 음성을 텍스트로(Speech-To-Text, STT) 변환할 수 있다.
그리고, 프로세서(120)는 자연어 처리 모듈을 이용하여 제1 사용자 음성의 음성 인식 결과를 자연어 처리할 수 있다(430). 구체적으로, 프로세서(120)는 자연어 처리 과정을 통해, 텍스트로 변환된 제1 사용자 음성에 대해 형태소 분석, 구문 분석, 의미 이해 분석 등을 할 수 있다.
그리고, 프로세서(120)는 자연어 처리된 제1 사용자 음성을 이용하여 제1 사용자 음성으로부터 문맥 정보를 획득할 수 있다(440).
예를 들어, 제1 사용자 음성의 문맥 정보는 제1 사용자 음성의 음소 정보, 음소의 위치 정보, 음소의 개수 정보, 음절의 위치 정보 및 단어의 위치 정보 중 적어도 하나를 포함할 수 있다.
여기에서, 음소의 위치 정보는 음소가 단어나 문장을 기준으로 위치하는 순서를 나타내고, 음절의 위치 정보는 음절이 단어나 문장을 기준으로 위치하는 순서를 나타내며, 단어의 위치 정보는 단어가 문장을 기준으로 위치하는 순서를 나타낸다. 그리고, 음소의 개수 정보는 단어나 문장에 존재하는 음소의 개수를 나타낸다. 또한, 음소 정보는 현재 음소 정보를 나타내는 Uniphone 정보, 현재 음소 및 현재 음소를 기준으로 앞, 뒤에 존재하는 음소에 대한 정보(즉, 이전 음소 - 현재 음소- 다음 음소에 대한 정보)를 나타내는 Triphone 정보 및 현재 음소 및 현재 음소를 기준으로 앞, 뒤에 2 개씩 연속적으로 존재하는 음소에 대한 정보(즉, 이전이전 음소 - 이전 음소 - 현재 음소 - 다음 음소 - 다음다음 음소)를 나타내는 Quinphone 정보를 포함할 수 있다.
예를 들어, 사용자 음성이 "sun"인 경우를 가정한다. 이 경우, Uniphone 정보는 현재 음소를 나타낸다는 점에서, Uniphone(s) = "s", Uniphone(u)= "u", Uniphone(n)= "n"이 될 수 있다. 또한, Triphone 정보는 현재 음소 및 현재 음소를 기준으로 앞, 뒤에 존재하는 음소를 나타낸다는 점에서, Triphone(s) = "- s u", Triphone(u) = "s u n", Triphone(n) ="u n -"이 될 수 있다. 그리고, Quinphone 정보는 현재 음소 및 현재 음소를 기준으로 앞, 뒤에 2 개씩 연속적으로 존재하는 음소를 나타낸다는 점에서, Quinphone(s) = "- - s u n", Quinphone(u) = "- s u n -", Quinphone(n) = "s u n - -"이 될 수 있다.
이때, 프로세서(120)는 기정의된 복수의 문맥 정보 타입 중, 특정한 타입의 문맥 정보를 선택하고, 제1 사용자 음성으로부터, 선택된 타입의 문맥 정보를 획득할 수 있다.
즉, 전술한 바와 같이, 문맥 정보는 음소 정보, 음소의 위치 정보, 음소의 개수 정보, 음절의 위치 정보 및 단어의 위치 정보 등 다양한 타입으로 구성될 수 있다. 이 경우, 프로세서(120)는 기정의된 복수의 문맥 정보 타입 중 하나의 문맥 정보를 선택하고, 선택된 문맥 정보 타입을 이용하여 제1 사용자 음성의 문맥 정보를 획득할 수 있다.
이를 위해, 프로세서(120)는 제1 사용자 음성의 음향 특징과 복수의 테스트 음성 각각의 음향 특징 사이의 유사도 및 기정의된 복수의 문맥 정보의 타입 별로, 제1 사용자 음성의 문맥 정보와 복수의 테스트 음성 각각의 문맥 정보 사이의 유사도를 판단할 수 있다.
여기에서, 복수의 테스트 음성은 제1 사용자 음성을 발화한 화자로부터 획득할 수도 있으며, 복수의 사용자 음성을 포함하는 데이터 베이스를 이용하여 획득할 수도 있다.
먼저, 프로세서(120)는 제1 사용자 음성의 음향 특징과 복수의 테스트 음성 각각의 음향 특징 사이의 유사도를 판단할 수 있다.
구체적으로, 프로세서(120)는 복수의 테스트 음성 각각에 포함된 복수의 테스트 음성의 spectrum 특징 또는 prosody 특징을 제1 사용자 음성의 spectrum 특징 또는 prosody 특징과 비교하여, 제1 사용자 음성에 대한 복수의 테스트 음성 각각의 스펙트럼, 높낮이, 크기, 속도, 리듬, 강세 등의 유사한 정도를 판단하고, 유사한 정도에 대응되는 스코어를 산출할 수 있다.
또한, 프로세서(120)는 기정의된 복수의 문맥 정보의 타입 별로, 제1 사용자 음성의 문맥 정보와 복수의 테스트 음성 각각의 문맥 정보 사이의 유사도를 판단할 수 있다.
이를 위해, 프로세서(120)는 기 정의된 복수의 문맥 정보의 타입 별로, 제1 사용자 음성 및 복수의 테스트 음성 각각으로부터 각 타입에 대한 문맥 정보를 획득할 수 있다.
그리고, 프로세서(120)는 제1 사용자 음성 및 복수의 테스트 음성 각각으로부터 획득된 문맥 정보를 서로 비교하여, 이들 문맥 정보 사이의 유사도를 판단할 수 있다.
이 경우, 프로세서(120)는 하기의 수학식 1에 기초하여 유사도를 판단할 수 있다.
Figure PCTKR2019012642-appb-img-000001
여기에서, A는 제1 사용자 음성의 문맥 정보를 의미하고, B는 테스트 음성의 문맥 정보를 의미한다.
가령, 제1 사용자 음성은 'sun'이고, 테스트 음성은 'sing'이며, 문맥 정보 타입은, 도 2에서 상술한 복수의 문맥 정보 타입 중 현재 음소 정보 즉, uniphone 정보를 사용한다고 가정한다.
이 경우, 음소는 발음을 기준으로 판단한다는 점에서, 'sun'의 uniphone은 "s","u","n"이고, 'sing'의 uniphone은 "s","i","ng"이 될 수 있으며, 이들을 binary로 표기하면 하기의 표 1과 같이 나타낼 수 있다.
sun sing
uniphone (s) 1 1
uniphone (u) 1 0
uniphone (n) 1 0
uniphone (i) 0 1
uniphone (ng) 0 1
구체적으로, 음소 s는 'sun' 및 'sing'에 포함되므로, A의 uniphone(s) 및 B의 uniphone(s)의 값은 모두 1이다. 음소 u, n은 'sun'에 포함되나, 'sing'에 포함되지 않으므로, A 의 uniphone(u), uniphone(n)은 1, B의 uniphone (u), uniphone(n)의 값은 0이다. 또한, 음소 i, ng는 'sing'에 포함되나, 'sun'에 포함되지 않으므로, A 의 uniphone(i), uniphone(ng)은 0, B의 uniphone(i), uniphone(ng)의 값은 1이다. 여기에서 음소 s 가 공통된다는 점에서 ｜A∩B｜ = 1 이고, 테스트 음성 B의 음소가 3개라는 점에서 ｜B｜ = 3 이다.
이에 따라, 수학식 1에서, S(A,B) = 1/3 인 것을 알 수 있다.
또 다른 실시 예로, 문맥 정보 타입으로 triphone을 이용하는 경우를 가정한다. 이 경우, 제1 사용자 음성 'sun' 및 테스트 음성 'sing'의 triphone에 대한 정보는 하기의 표 2와 같이 나타낼 수 있다.
sun sing
triphone (s) - s n - s i
triphone (u) s u n 0
triphone (n) u n - 0
triphone (i) 0 s i n
triphone (ng) 0 i ng -
즉, triphone(x)의 경우 제1 및 테스트 음성의 '음소 x의 이전 음소 - 현재 음소 x - 음소 x의 다음 음소' 중 적어도 2개 이상의 음소가 동일한 경우, 제1 사용자 음성 및 테스트 음성의 triphone(x)를 1로 표시할 수 있다.가령, 표 2에서 triphone(x)에서 제1 사용자 음성 및 테스트 음성의 '음소 x의 이전 음소 - 현재 음소 x - 음소 x'의 다음 음소 중 적어도 2개 이상이 동일한 경우가 없으므로, 제1 사용자 음성 및 테스트 음성의 유사도 값은 0이 될 수 있다.
한편, 이는 일 실시예이며, 유사도 판단은 경우에 따라 다를 수 있다. 가령 triphone(x)의 경우 제1 사용자 음성 및 테스트 음성의 '음소 x의 이전 음소 - 현재 음소 x - 음소 x의 다음 음소' 중 적어도 1개 이상의 음소가 동일한 경우, 제1 사용자 음성 및 테스트 음성의 triphone(x)를 1로 표시할 수 있을 수도 있다.
이 경우, 상기 제1 사용자 음성의 triphone(s) = "- s n" 와 테스트 음성의 triphone(s) = "- s i" 에서 음소 s가 동일하므로, 제1 사용자 음성 및 테스트 음성의 triphone(s)는 binary 표현으로 1로 나타낼 수 있다. 이 경우, 제 1 사용자 음성 및 테스트 음성의 유사도 S(A, B) = 1/3 이 될 수 있다.
한편, 제1 사용자 음성의 문맥 정보와 테스트 음성의 문맥 정보 사이의 유사도를 판단하는 식은 상기 수학식 1에 국한된 것만은 아니며, 다양한 실시 예에 따라 다양한 판단 방법이 사용될 수 있다. 가령 자연어 처리 방식에서 사용되는 jaccard similarity measure, cosine similarity measure 등의 방법이 유사도 판단에 사용될 수도 있다.
한편, 프로세서(120)는 기 정의된 복수의 문맥 정보 타입 별로, 테스트 음향 특징 유사도에 대한 테스트 문맥 정보 유사도의 분포가 기설정된 조건을 만족하는 문맥 정보 타입을 선택할 수 있다.
예를 들어, 프로세서(120)는 테스트 음향 특징 유사도에 대한 테스트 문맥 정보 유사도의 분포가 선형성을 나타내는 문맥 정보 타입을 선택할 수 있다.
예를 들어, 제1 사용자 음성은 'sun' 이고, 테스트 음성은 'drum', 'sing' 및 'son' 라고 하자. 이 경우, 음향 특징의 유사도와 관련하여 'sun' 음향 특징과 'drum', 'sing' 및 'son' 음향 특징 사이의 유사도는 각각 0.3, 0.5, 0.8 이라고 가정한다.
그리고, A 타입의 문맥 정보를 사용할 경우 'sun'의 문맥 정보와 'drum', 'sing' 및 'son' 문맥 정보 사이의 유사도는 0.2, 0.8, 0.6 이라고 가정하고, B 타입의 문맥 정보를 사용할 경우 'sun'의 문맥 정보와 'drum', 'sing' 및 'son' 문맥 정보 사이의 유사도는 0.2, 0.6, 0.8 이라고 가정한다.
이때, 테스트 음향 특징 유사도에 대한 테스트 문맥 정보 유사도의 분포가 선형성을 나타내는 문맥 정보 타입은 B 타입의 문맥 정보이며, 프로세서(120)는 B 타입의 문맥 정보를 선택할 수 있다.
이에 따라, 프로세서(120)는 제1 사용자 음성으로부터 문맥 정보를 획득할 수 있다(440).
이후, 프로세서(120)는 획득한 문맥 정보 및 음향 특징을 포함하는 화자 모델(111)을 생성할 수 있다.
화자 모델(111)이 생성되어, 메모리(110)에 저장되면 화자 등록 단계가 완료된다.
한편, 프로세서(120)는 화자 모델을 이용하여, 화자에 대한 인증을 수행할 수 있다.
도 5는 본 개시의 일 실시예에 따른 전자 장치를 설명하기 위한 도면으로, 구체적으로, 화자 인증을 수행하는 전자 장치(100)를 설명하기 위한 도면이다.
프로세서(120)는 제2 사용자 음성이 수신되면(510), 제 2 사용자 음성의 음향 특징을 이용하여 제 2 사용자 음성의 화자 모델에 대한 스코어(score)를 계산할 수 있다(540).
여기에서 제2 사용자 음성의 화자 모델에 대한 스코어는 제2 사용자 음성의 음향 특징과 화자 모델에 저장된 제1 사용자 음성의 음향 특징 사이의 유사도를 나타내는 값일 수 있다. 이와 관련하여, 제2 사용자 음성의 음향 특징과 화자 모델에 저장된 제1 사용자 음성의 음향 특징 사이의 유사도 판단 방법은, 상기 도 4에서 상술한 제1 사용자 음성의 음향 특징과 복수의 테스트 음성의 음향 특징 사이의 유사도 판단 방법과 동일한 바, 구체적인 설명은 생략하기로 한다.
그리고, 프로세서(120)는 제2 사용자 음성의 음향 특징과 화자 모델(111)에 저장된 제1 사용자 음성의 음향 특징 사이의 유사도를 임계값과 비교할 수 있다.
이때, 임계값은 제2 사용자 음성의 문맥 정보와 화자 모델(111)에 포함된 문맥 정보 사이의 유사도에 기초하여 산출될 수 있다(550).
한편, 이하에서는 임계 값을 산출하는 방법에 대해 구체적으로 설명하도록 한다.
먼저, 임계값을 산출하기 위하여, 프로세서(120)는 메모리(110)에 저장된 음성 인식 모듈을 이용하여 제2 사용자 음성에 대해 음성 인식을 수행할 수 있다(520). 즉, 프로세서(120)는 제2 사용자 음성에 대한 음성 인식을 수행하여, 제1 사용자 음성을 텍스트로(Speech-To-Text, STT) 변환할 수 있다.
그리고, 프로세서(120)는 음성 인식 모듈을 이용하여 제2 사용자 음성의 음성 인식 결과를 자연어 처리할 수 있다(530). 구체적으로, 프로세서(120)는 자연어 처리 과정을 통해, 텍스트로 변환된 제1 사용자 음성에 대해 형태소 분석, 구문 분석, 의미 이해 분석 등을 할 수 있다.
프로세서(120)는 자연어 처리된 제2 사용자 음성을 이용하여 제2 사용자 음성의 문맥 정보를 생성할 수 있다.
이때, 프로세서(120)는 화자 모델(111)에 포함된 제1 사용자 음성의 문맥 정보를 고려하여, 제2 사용자 음성의 문맥 정보를 생성할 수 있다. 가령, 화자 모델(111)에 포함된 제1 사용자 음성의 문맥 정보가 Uniphone 타입의 문맥 정보를 이용하여 생성된 것이라면, 프로세서(120)는 화자 모델에 저장된 제1 사용자 음성의 문맥 정보를 고려하여, 제2 사용자 음성의 문맥 정보를 Uniphone 타입의 문맥 정보로 생성할 수 있다.
그 후, 프로세서(120)는 제2 사용자 문맥 정보와 화자 모델에 저장된 제1 사용자 문맥 정보의 유사도를 판단할 수 있다. 제2 사용자 음성의 문맥 정보과 화자 모델에 저장된 제1 사용자 음성의 문맥 정보 사이의 유사도 판단 방법은 상기 도 4에서 상술한 제1 사용자 음성의 문맥 정보와 복수의 테스트 음성의 문맥 정보 사이의 유사도 판단 방법과 동일한 바, 구체적인 설명은 생략하기로 한다.
한편, 프로세서(120)는 제2 사용자 음성의 문맥 정보와 화자 모델(111)에 포함된 문맥 정보 사이의 유사도에 기초하여, 임계값을 산출할 수 있다.
구체적으로, 프로세서(120)는 제2 사용자 음성의 문맥 정보와 화자 모델에 포함된 문맥 정보 사이의 유사도, 및 제1 사용자 음성의 문맥 정보와 제2 사용자 음성의 문맥 정보가 동일한 경우 제1 및 제2 음향 특징 사이의 유사도가 가질 수 있는 최대 값에 기초하여 임계값을 산출할 수 있다.
이 경우, 임계값은 제2 사용자 음성의 문맥 정보와 화자 모델에 포함된 문맥 정보 사이의 유사도에 비례하도록 결정될 수 있다.
가령, 프로세서(120)는 아래의 식을 이용하여 임계값을 산출할 수 있다.
Figure PCTKR2019012642-appb-img-000002
여기에서 Th(S(A,B))는 제1 사용자 음성의 문맥 정보와 제2 사용자 음성의 문맥 정보의 유사도에 대한 임계값을 나타내며, S(A,B)는 제1 사용자 문맥 정보와 제2 사용자 문맥 정보의 유사도를 나타낸다. Max_score는 화자 모델에 포함된 제1 사용자 음성의 문맥 정보와 제2 사용자 음성의 문맥 정보가 동일한 경우 제1 및 제2 사용자 음성의 음향 특징 사이의 유사도가 가질 수 있는 최대 값에 해당한다. 또한, w는 기설정된 가중치에 해당한다.
예를 들어, 제1 사용자 음성이 'sun'이고, 제2 사용자 음성이 'gun'인 경우, 제2 사용자 음성의 문맥 정보 및 화자 모델에 포함된 제1 사용자 음성의 문맥 정보는 binary로 아래와 같이 표현될 수 있다.
sun sing
uniphone (s) 1 0
uniphone (u) 1 1
uniphone (n) 1 1
uniphone (g) 0 1
이때, 수학식(2)를 사용하여 제2 사용자 음성의 문맥 정보 및 화자 모델에 포함된 제1 사용자 음성의 문맥 정보의 유사도 S(A,B)는 2/3로 나타낼 수 있다. 그리고, w 및 Max_score는 기설정된 값이라는 점에서, 임계값 (Th(S(A,B)))은 제2 사용자 음성의 문맥 정보와 화자 모델에 포함된 제1 사용자 문맥 정보 사이의 유사도(S(A,B))에 비례하도록 결정되는 것을 알 수 있다. 즉, 제2 사용자 문맥 정보와 화자 모델에 포함된 문맥 정보간의 유사도가 낮아지면, 임계값 또한 낮아질 수 있다.
한편 상기 수학식 2는 본 개시의 일 실시 예에 따른 수식이며, 경우에 따라서는 임계값은 제2 사용자 음성의 문맥 정보와 화자 모델에 포함된 문맥 정보 사이의 유사도에 반비례하도록 결정될 수도 있다. 즉, 아래와 같은 수식을 적용하여 임계값을 산출할 수도 있다.
Figure PCTKR2019012642-appb-img-000003
수학식 2와 마찬가지로, Th(S(A,B))는 제1 사용자 음성의 문맥 정보와 제2 사용자 음성의 문맥 정보의 유사도에 대한 임계값을 나타내며, S(A,B)는 제1 사용자 문맥 정보와 제2 사용자 문맥 정보의 유사도, Max_score는 화자 모델에 포함된 제1 사용자 음성의 문맥 정보와 제2 사용자 음성의 문맥 정보가 동일한 경우 제1 및 제2 사용자 음성의 음향 특징 사이의 유사도가 가질 수 있는 최대 값을 나타낸다.
예를 들어, 제1 사용자 음성이 'sun'이고, 제2 사용자 음성이 'gun'인 경우, 상기 표 2 및 수학식 2를 사용하여 제2 사용자 음성의 문맥 정보 및 화자 모델에 포함된 제1 사용자 음성의 문맥 정보의 유사도 S(A,B)는 2/3로 나타낼 수 있다.
그리고, w 및 Max_score는 기설정된 값이라는 점에서, 임계값 (Th(S(A,B)))은 제2 사용자 음성의 문맥 정보와 화자 모델에 포함된 제1 사용자 문맥 정보 사이의 유사도(S(A,B))에 반비례하도록 결정되는 것을 알 수 있다. 즉, 제2 사용자 문맥 정보와 화자 모델에 포함된 문맥 정보간의 유사도가 낮아지면, 반대로 임계값은 높아질 수 있다.
한편, 상기 수학식 2 및 수학식 3의 실시예는 본 개시의 일 실시예이며, 프로세서(120)는, 화자 모델(111)에 포함된 제1 사용자 음성의 문맥 정보 및 제2 사용자 음성의 문맥 정보 간의 유사도가 기설정된 값(제1 값) 이하인 경우, 임계값을 기설정된 값(제2 값)으로 설정할 수도 있다.
가령, 프로세서(120)는, 화자 모델(111)에 포함된 제1 사용자 음성의 문맥 정보 및 제2 사용자 음성의 문맥 정보 간의 유사도가 0.5 이하인 경우, 임계값을 1로 설정할 수도 있다.
반대로, 프로세서(120)는 화자 모델(111)에 포함된 제1 사용자 음성의 문맥 정보 및 제2 사용자 음성의 문맥 정보 간의 유사도가 기설정된 값(제1 값) 이상인 경우, 임계값을 기설정된 값(제2 값)으로 설정할 수도 있다.
가령, 프로세서(120)는 화자 모델(111)에 포함된 제1 사용자 음성의 문맥 정보 및 제2 사용자 음성의 문맥 정보 간의 유사도가 0.9 이상인 경우, 임계값을 0.5로 설정할 수도 있다.
프로세서(120)는 이와 같이 산출된 임계값을 제 2 사용자 음성의 음향 특징과 화자 모델에 저장된 제1 사용자 음성의 음향 특징 사이의 유사도와 비교하여 제2 사용자 음성을 발화한 화자에 대한 인증을 수행할 수 있다(560).
구체적으로, 프로세서(120)는 제2 사용자 음성의 음향 특징과 화자 모델(111)에 저장된 제1 사용자 음성의 음향 특징 사이의 유사도가 임계 값 이상인 경우, 화자에 대한 인증이 성공된 것으로 판단할 수 있다.
가령, 제1 사용자 음성(A)이 'sun'이고, 제2 사용자 음성(B)이 'gun'이며, S(A,B)= 2/3 ≒ 0.66 라고 가정하자.
이 경우 임계값 Th(S(A,B))는 상기 수학식 2, 수학식 3 또는 설정 방법에 따라 서로 다른 값을 가지도록 산출될 수 있으며, 프로세서(120)는 제2 사용자 음성의 음향 특징과 화자 모델의 음향 특징 사이의 유사도가 산출된 임계값 이상의 값을 가지는 경우에, 제2 사용자 음성을 발화한 화자에 대한 인증이 성공된 것으로 판단할 수 있다.
인증이 성공된 것으로 판단된 경우, 프로세서(120)는 제2 사용자 음성을 발화한 화자의 접근(access)을 허용하고 보안성 있는 컨텐츠를 제공할 수 있다.
반면, 제2 사용자 음성의 음향 특징과 화자 모델의 음향 특징 사이의 유사도가 산출된 임계값 미만의 값을 가져 인증이 성공된 것으로 판단되지 않은 경우, 프로세서(120)는 제2 사용자 음성을 발화한 화자의 접근(access)을 제한하고 보안성 있는 컨텐츠를 제공하지 않을 수 있다.
도 3은 본 개시의 일 실시예에 따른 전자 장치의 구성을 상세히 도시한 블록도이다. 도 3에 도시된 바와 같이, 전자 장치(100)는 메모리(110), 통신부(130), 디스플레이(140), 마이크(150), 오디오 출력부(160), 사용자입력부(170) 및 프로세서(120)를 포함할 수 있다.
메모리(110)는 전자 장치(100)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(110)는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다. 메모리(110)는 프로세서(120)에 의해 액세스되며, 프로세서(120)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 문서에서 메모리라는 용어는 메모리(110), 프로세서(120) 내 롬(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함할 수 있다.
또한, 메모리(110)는 제1 사용자 음성의 음향 특징 및 문맥 정보를 포함하는 화자 모델을 저장할 수도 있다.
그리고, 메모리(110)는 제1 및 제2 사용자 음성을 음성 인식하고 자연어 처리 하기 위한 음성인식모듈(112) 및 제1 및 제2 사용자 음성의 음향 특징을 추출하기 위한 음향 특징 추출 모듈(113)을 저장할 수도 있다.
통신부(130)는 전자 장치(100)가 디스플레이 장치(200) 또는 외부 전자 장치(300)와 통신을 수행하기 위한 구성요소이다. 통신부(130)를 통하여 전자 장치(100)는 디스플레이 장치(200) 또는 외부 전자 장치(300)로부터 사용자 음성 신호를 수신할 수 있다.
이를 위해, 통신부(130)는 유선 통신 모듈(미도시), 근거리 무선 통신 모듈(미도시), 무선 통신 모듈(미도시) 등과 같은 다양한 통신 모듈을 포함할 수 있다.
여기에서, 유선 통신 모듈은 유선 이더넷(Ethernet)과 같이 유선 통신 방식에 따라 외부 장치(미도시)와 통신을 수행하기 위한 모듈이다. 그리고, 근거리 무선 통신 모듈이란 블루투스(Bluetooth, BT), BLE(Bluetooth Low Energy), ZigBee 방식 등과 같은 근거리 무선 통신 방식에 따라 근거리에 위치한 외부 장치(미도시)와 통신을 수행하기 위한 모듈이다. 또한, 무선 통신 모듈이란 WiFi, IEEE 등과 같은 무선 통신 프로토콜에 따라 외부 네트워크에 연결되어 외부 장치(미도시) 및 음성 인식 서버(미도시)와 통신을 수행하는 모듈이다. 이 밖에 무선 통신 모듈은 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), LTE-A(LTE Advanced), 5세대 네트워크(5G Networks) 등과 같은 다양한 이동 통신 규격에 따라 이동 통신망에 접속하여 통신을 수행하는 이동 통신 모듈을 더 포함할 수도 있다.
한편, 통신부(130)는 디스플레이 장치(200) 또는 외부 전자 장치(300)뿐만 아니라, 디스플레이 장치(200) 또는 외부 전자 장치(300)을 제어하기 위한 원격 제어 장치와 통신을 수행할 수도 있다. 이때, 원격 제어 장치는 리모컨, 포인팅 디바이스 뿐만 아니라 어플리케이션을 설치하여 외부 장치를 제어할 수 있는 스마트폰, 스마트워치, 태블릿PC, PC, 노트북 등이 될 수도 있다.
예를 들어, 통신부(130)는 블루투스 또는 BLE 등과 같은 근거리 통신 방식에 따라 원격 제어 장치(미도시)와 통신을 수행하여, 다양한 데이터를 송수신할 수 있다.
한편, 또 다른 실시예로, 전자 장치(100)는 디스플레이 장치(200) 또는 외부 전자 장치(300)와 연결되어 비디오/오디오 신호를 주고 받기 위한 인터페이스부(미도시)를 포함할 수도 있다. 인터페이스부는 DP(Display Port), HDMI(high definition multimedia interface), HDMI-CEC(consumer electronics control), RGB(Red Green Blue) cable, USB(Universal Serial Bus), DVI(Digital Visual Interface), 썬더볼드(Thunderbolt), 컴포넌트(Component) 등의 규격에 따른 신호/데이터를 송/수신할 수 있으며, 이들 각각의 규격에 대응하는 적어도 하나 이상의 커넥터 또는 단자를 포함한다.
디스플레이(140)는 영상 처리부(미도시)에서 처리한 영상 데이터를 디스플레이 영역(또는, 디스플레이)에 디스플레이할 수 있다. 디스플레이 영역은 전자 장치(100)의 하우징의 일면에 노출된 디스플레이(140)의 적어도 일부를 의미할 수 있다. 디스플레이(140)의 적어도 일부는 플렉서블 디스플레이(flexible display)의 형태로 전자 장치(100)의 전면 영역 및, 측면 영역 및 후면 영역 중 적어도 하나에 결합될 수도 있다. 플렉서블 디스플레이는 종이처럼 얇고 유연한 기판을 통해 손상 없이 휘거나 구부리거나 말 수 있는 것을 특징으로 할 수 있다.
마이크(150)는 제1 및 제2 사용자 음성을 획득할 수 있다. 구체적으로, 마이크(150)는 마이크로폰(Microphone)을 이용하여 외부의 사용자 음성을 수신하고, 이를 전기적인 음성 데이터로 처리할 수 있다. 이 경우, 마이크(150)는 처리된 음성 데이터를 프로세서(120)에 전달할 수 있다. 마이크(150)는 전자 장치(100) 내부에 구비될 수 있으나, 이는 일 실시예에 불과할 뿐, 전자 장치(100)와 전기적으로 연결되어 외부에 구비될 수 있다. 오디오 출력부(160)는 오디오 처리부(미도시)에 의해 디코딩이나 증폭, 노이즈 필터링과 같은 다양한 처리 작업이 수행된 각종 오디오 데이터뿐만 아니라 각종 알림 음이나 음성 메시지를 출력하는 구성이다. 특히, 오디오를 출력하는 구성은 스피커로 구현될 수 있으나, 이는 일 실시 예에 불과할 뿐, 오디오 데이터를 출력할 수 있는 출력 단자로 구현될 수 있다.
사용자 입력부(170)는 다양한 사용자 입력을 수신하여 프로세서(120)로 전달할 수 있다. 사용자 입력부(170)는, 예를 들면, 터치 패널, (디지털) 펜 센서 또는 키를 포함할 수 있다. 터치 패널은, 예를 들면, 정전식, 감압식, 적외선 방식, 또는 초음파 방식 중 적어도 하나의 방식을 사용할 수 있다. 또한, 터치 패널은 제어 회로를 더 포함할 수도 있다. 터치 패널은 택타일 레이어(tactile layer)를 더 포함하여, 사용자에게 촉각 반응을 제공할 수 있다. (디지털) 펜 센서는, 예를 들면, 터치 패널의 일부이거나, 별도의 인식용 쉬트를 포함할 수 있다. 키는, 예를 들면, 물리적인 버튼, 광학식 키, 또는 키패드를 포함할 수 있다.
프로세서(120)(또는, 제어부)는 메모리(1140)에 저장된 각종 프로그램을 이용하여 전자 장치(100)의 전반적인 동작을 제어할 수 있다.
프로세서(1170)는 RAM(미도시), ROM(미도시), 그래픽 처리부(미도시), 메인 CPU(미도시), 제1 내지 n 인터페이스(미도시), 버스(미도시)로 구성될 수 있다. 이때, RAM(미도시), ROM(미도시), 그래픽 처리부(미도시), 메인 CPU(미도시), 제1 내지 n 인터페이스(미도시) 등은 버스(미도시)를 통해 서로 연결될 수 있다.
한편, 전자 장치(100)의 구현 예에 따라 도 3에 도시된 전자 장치(100)의 구성요소 중 적어도 일부는 생략될 수 있다.
예를 들어, 전자 장치(100)가 도 1a 및 도 1b에 도시된 바와 같이 서버로 구현되는 경우, 외부 전자 장치에서 사용자 음성을 수신하고, 사용자 음성에 대한 응답 역시 외부 전자 장치에서 출력된다는 점에서, 도 3의 디스플레이(140), 마이크(150) 및 오디오 출력부(160)는 생략될 수 있다.
도 6은 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
우선, 전자 장치(100)는 제1 사용자 음성의 음향 특징 및 문맥 정보(context information)를 포함하는 화자 모델을 저장한다(S610).
그리고, 전자 장치(100)는 화자 모델에 포함된 제1 사용자 음성의 음향 특징과 제2 사용자 음성의 음향 특징간 유사도를, 화자 모델에 포함된 문맥 정보와 제2 사용자 음성의 문맥 정보간 유사도에 따라 변경되는 임계 값과 비교한다(S620). 그 후, 제2 사용자 음성에 대한 인증을 수행한다(S630).
여기에서, 임계값은 제2 사용자 음성의 문맥 정보와 화자 모델에 포함된 문맥 정보 사이의 유사도에 비례하도록 결정될 수 있다.
한편, 전자 장치(100)는 제2 사용자 음성의 문맥 정보와 화자 모델에 포함된 문맥 정보 사이의 유사도에 기초하여 임계 값을 산출하고, 산출된 임계 값을, 제2 사용자 음성의 음향 특징과 화자 모델에 저장된 제1 사용자 음성의 음향 특징 사이의 유사도와 비교할 수 있다.
이때, 전자 장치(100)는 제1 사용자 음성의 문맥 정보와 제2 사용자 음성의 문맥 정보가 동일한 경우 제1 및 제2 음향 특징 사이의 유사도가 가질 수 있는 최대 값에 기초하여 임계 값을 산출할 수 있다.
그리고, 전자 장치(100)는 제2 사용자 음성의 음향 특징과 화자 모델에 저장된 제1 사용자 음성의 음향 특징 사이의 유사도가 임계 값 이상인 경우, 제2 사용자 음성에 대한 인증이 성공된 것으로 판단할 수 있다.
한편, 전자 장치(100)는 제1 사용자 음성이 수신되면, 제1 사용자 음성으로부터 제1 사용자 음성의 음향 특징 및 문맥 정보를 획득하고, 획득된 음향 특징 및 문맥 정보를 포함하는 화자 모델을 저장할 수 있다.
이때, 전자 장치(100)는 기정의된 복수의 문맥 정보 타입(type) 중 하나의 문맥 정보 타입을 선택할 수 있다.
구체적으로, 전자 장치(100)는 제1 사용자 음성의 음향 특징과 복수의 테스트 음성 각각의 음향 특징 사이의 유사도를 판단하고, 복수의 문맥 정보의 타입 별로, 제1 사용자 음성의 문맥 정보와 복수의 테스트 음성 각각의 문맥 정보 사이의 유사도를 판단할 수 있으며, 복수의 문맥 정보 타입 중, 판단된 문맥 정보 사이의 유사도에 대한 판단된 음향 특징의 유사도의 분포가 기설정된 조건을 만족하는 문맥 정보 타입을 선택할 수 있다.
그리고, 전자 장치(100)는 선택된 문맥 정보 타입을 이용하여 제1 사용자 음성의 문맥 정보를 획득할 수 있다.
또한, 전자 장치(100)는 제2 사용자 음성을 분석하고, 선택된 문맥 정보 타입을 이용하여 제2 사용자 음성의 문맥 정보를 획득하고, 제2 사용자 음성의 문맥 정보와 화자 모델에 포함된 문맥 정보 사이의 유사도에 기초하여 임계 값을 결정할 수 있다.
한편, 상술한 바와 같은 제어 방법은 컴퓨터에서 실행될 수 있는 실행가능한 알고리즘을 포함하는 프로그램으로 구현될 수 있고, 프로그램은 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다.
비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 애플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
이상에서는 본 개시의 바람직한 실시예에 대해서 도시하고, 설명하였으나, 본 개시는 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시가 속하는 기술분야에서 통상의 지식을 가진자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 범위 내에 있게 된다.
-
-

Claims (15)

  1. 전자 장치에 있어서,
    제1 사용자 음성의 음향 특징 및 문맥 정보(context information)를 포함하는 화자 모델을 저장하는 메모리; 및
    상기 화자 모델에 포함된 제1 사용자 음성의 음향 특징과 제2 사용자 음성의 음향 특징간 유사도를, 상기 화자 모델에 포함된 문맥 정보와 제2 사용자 음성의 문맥 정보간 유사도에 따라 변경되는 임계 값과 비교하여, 상기 제2 사용자 음성에 대한 인증을 수행하는 프로세서;를 포함하는 전자 장치.
  2. 제1항에 있어서,
    상기 임계 값은,
    상기 제2 사용자 음성의 문맥 정보와 상기 화자 모델에 포함된 문맥 정보 사이의 유사도에 비례하도록 결정되는, 전자 장치.
  3. 제1항에 있어서,
    상기 프로세서는,
    상기 제2 사용자 음성의 문맥 정보와 상기 화자 모델에 포함된 문맥 정보 사이의 유사도에 기초하여 상기 임계 값을 산출하고, 상기 산출된 임계 값을, 제2 사용자 음성의 음향 특징과 상기 화자 모델에 저장된 제1 사용자 음성의 음향 특징 사이의 유사도와 비교하는, 전자 장치.
  4. 제3항에 있어서,
    상기 프로세서는,
    상기 제1 사용자 음성의 문맥 정보와 상기 제2 사용자 음성의 문맥 정보가 동일한 경우 상기 제1 사용자 음성의 음향 특징과 제2 사용자 음성의 음향 특징 사이의 유사도가 가질 수 있는 최대 값에 기초하여 상기 임계 값을 산출하는, 전자 장치.
  5. 제1항에 있어서,
    상기 프로세서는,
    상기 제2 사용자 음성의 음향 특징과 상기 화자 모델에 저장된 제1 사용자 음성의 음향 특징 사이의 유사도가 상기 임계 값 이상인 경우, 상기 제2 사용자 음성에 대한 인증이 성공된 것으로 판단하는, 전자 장치.
  6. 제1항에 있어서,
    상기 프로세서는,
    상기 제1 사용자 음성이 수신되면, 상기 제1 사용자 음성으로부터 상기 제1 사용자 음성의 음향 특징 및 문맥 정보를 획득하고, 상기 획득된 음향 특징 및 문맥 정보를 포함하는 상기 화자 모델을 상기 메모리에 저장하는, 전자 장치.
  7. 제6항에 있어서,
    상기 프로세서는,
    기정의된 복수의 문맥 정보 타입(type) 중 하나의 문맥 정보 타입을 선택하고, 상기 선택된 문맥 정보 타입을 이용하여 상기 제1 사용자 음성의 문맥 정보를 획득하고, 상기 획득된 문맥 정보를 상기 메모리에 저장하는, 전자 장치.
  8. 제7항에 있어서,
    상기 프로세서는,
    상기 제1 사용자 음성의 음향 특징과 복수의 테스트 음성 각각의 음향 특징 사이의 유사도를 판단하고,
    상기 복수의 문맥 정보의 타입 별로, 상기 제1 사용자 음성의 문맥 정보와 상기 복수의 테스트 음성 각각의 문맥 정보 사이의 유사도를 판단하며,
    상기 복수의 문맥 정보 타입 중, 상기 판단된 문맥 정보 사이의 유사도에 대한 상기 판단된 음향 특징의 유사도의 분포가 기설정된 조건을 만족하는 문맥 정보 타입을 선택하는, 전자 장치.
  9. 제7항에 있어서,
    상기 프로세서는,
    상기 제2 사용자 음성을 분석하고, 상기 선택된 문맥 정보 타입을 이용하여 상기 제2 사용자 음성의 문맥 정보를 획득하고, 상기 제2 사용자 음성의 문맥 정보와 상기 화자 모델에 포함된 문맥 정보 사이의 유사도에 기초하여 상기 임계 값을 결정하는, 전자 장치.
  10. 전자 장치의 제어 방법에 있어서,
    제1 사용자 음성의 음향 특징 및 문맥 정보(context information)를 포함하는 화자 모델을 저장하는 단계;
    상기 화자 모델에 포함된 제1 사용자 음성의 음향 특징과 제2 사용자 음성의 음향 특징간 유사도를, 상기 화자 모델에 포함된 문맥 정보와 제2 사용자 음성의 문맥 정보간 유사도에 따라 변경되는 임계 값과 비교하는 단계; 및
    상기 제2 사용자 음성에 대한 인증을 수행하는 단계;를 포함하는 제어 방법.
  11. 제10항에 있어서,
    상기 비교하는 단계는,
    상기 제2 사용자 음성의 문맥 정보와 상기 화자 모델에 포함된 문맥 정보 사이의 유사도에 기초하여 상기 임계 값을 산출하는 단계 및,
    상기 산출된 임계 값을, 제2 사용자 음성의 음향 특징과 상기 화자 모델에 저장된 제1 사용자 음성의 음향 특징 사이의 유사도와 비교하는 단계를 포함하는, 제어 방법.
  12. 제11항에 있어서,
    상기 산출하는 단계는,
    상기 제1 사용자 음성의 문맥 정보와 상기 제2 사용자 음성의 문맥 정보가 동일한 경우 상기 제1 사용자 음성의 음향 특징과 제2 사용자 음성의 음향 특징 사이의 유사도가 가질 수 있는 최대 값에 기초하여 상기 임계 값을 산출하는 단계인, 제어 방법.
  13. 제10항에 있어서,
    상기 인증을 수행하는 단계는,
    상기 제2 사용자 음성의 음향 특징과 상기 화자 모델에 저장된 제1 사용자 음성의 음향 특징 사이의 유사도가 상기 임계 값 이상인 경우, 상기 제2 사용자 음성에 대한 인증이 성공된 것으로 판단하는 단계를 포함하는, 제어 방법.
  14. 제10항에 있어서,
    상기 제1 사용자 음성이 수신되면, 상기 제1 사용자 음성으로부터 상기 제1 사용자 음성의 음향 특징 및 문맥 정보를 획득하는 단계; 및
    상기 획득된 음향 특징 및 문맥 정보를 포함하는 상기 화자 모델을 저장하는 단계;를 더 포함하는, 제어 방법.
  15. 제14항에 있어서,
    상기 획득하는 단계는,
    기정의된 복수의 문맥 정보 타입(type) 중 하나의 문맥 정보 타입을 선택하는 단계; 및
    상기 선택된 문맥 정보 타입을 이용하여 상기 제1 사용자 음성의 문맥 정보를 획득하는 단계;를 포함하는, 제어 방법.
PCT/KR2019/012642 2018-10-12 2019-09-27 전자 장치 및 그 제어 방법 WO2020075998A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/284,653 US20210398544A1 (en) 2018-10-12 2019-09-27 Electronic device and control method thereof

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2018-0122052 2018-10-12
KR1020180122052A KR102622350B1 (ko) 2018-10-12 2018-10-12 전자 장치 및 그 제어 방법

Publications (1)

Publication Number Publication Date
WO2020075998A1 true WO2020075998A1 (ko) 2020-04-16

Family

ID=70164974

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/012642 WO2020075998A1 (ko) 2018-10-12 2019-09-27 전자 장치 및 그 제어 방법

Country Status (3)

Country Link
US (1) US20210398544A1 (ko)
KR (1) KR102622350B1 (ko)
WO (1) WO2020075998A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113347535A (zh) * 2021-05-26 2021-09-03 海南正东雄科技有限公司 一种扩声式激励处理器

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150107520A (ko) * 2014-03-14 2015-09-23 주식회사 디오텍 음성인식 방법 및 장치
KR20160023424A (ko) * 2014-08-22 2016-03-03 현대자동차주식회사 음성 인식 장치, 그를 포함하는 차량, 및 그 차량의 제어 방법
KR20160105496A (ko) * 2014-06-24 2016-09-06 구글 인코포레이티드 화자 검증을 위한 동적 임계치
KR20180024807A (ko) * 2016-08-31 2018-03-08 삼성전자주식회사 화자 인식에 기초한 음성 인식 방법 및 장치
US20180293989A1 (en) * 2017-04-11 2018-10-11 International Business Machines Corporation Speech with context authenticator

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5517558A (en) * 1990-05-15 1996-05-14 Voice Control Systems, Inc. Voice-controlled account access over a telephone network
US5897616A (en) * 1997-06-11 1999-04-27 International Business Machines Corporation Apparatus and methods for speaker verification/identification/classification employing non-acoustic and/or acoustic models and databases
US8719023B2 (en) * 2010-05-21 2014-05-06 Sony Computer Entertainment Inc. Robustness to environmental changes of a context dependent speech recognizer
US9262612B2 (en) * 2011-03-21 2016-02-16 Apple Inc. Device access using voice authentication
JP6392012B2 (ja) * 2014-07-14 2018-09-19 株式会社東芝 音声合成辞書作成装置、音声合成装置、音声合成辞書作成方法及び音声合成辞書作成プログラム
US9837080B2 (en) * 2014-08-21 2017-12-05 International Business Machines Corporation Detection of target and non-target users using multi-session information
KR102380833B1 (ko) * 2014-12-02 2022-03-31 삼성전자주식회사 음성 인식 방법 및 음성 인식 장치
US11322159B2 (en) * 2016-01-12 2022-05-03 Andrew Horton Caller identification in a secure environment using voice biometrics
KR102033411B1 (ko) * 2016-08-12 2019-10-17 한국전자통신연구원 주의집중 기반 문맥 종속 음향 모델을 이용한 음성 인식 장치 및 방법
KR102653450B1 (ko) * 2017-01-09 2024-04-02 삼성전자주식회사 전자 장치의 입력 음성에 대한 응답 방법 및 그 전자 장치
EP3682444A1 (en) * 2017-09-11 2020-07-22 Telefonaktiebolaget LM Ericsson (PUBL) Voice-controlled management of user profiles
US10789959B2 (en) * 2018-03-02 2020-09-29 Apple Inc. Training speaker recognition models for digital assistants
KR20190114321A (ko) * 2018-03-29 2019-10-10 삼성전자주식회사 전자 장치 및 그 제어 방법
KR20210053722A (ko) * 2019-11-04 2021-05-12 삼성전자주식회사 전자장치 및 그 제어방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150107520A (ko) * 2014-03-14 2015-09-23 주식회사 디오텍 음성인식 방법 및 장치
KR20160105496A (ko) * 2014-06-24 2016-09-06 구글 인코포레이티드 화자 검증을 위한 동적 임계치
KR20160023424A (ko) * 2014-08-22 2016-03-03 현대자동차주식회사 음성 인식 장치, 그를 포함하는 차량, 및 그 차량의 제어 방법
KR20180024807A (ko) * 2016-08-31 2018-03-08 삼성전자주식회사 화자 인식에 기초한 음성 인식 방법 및 장치
US20180293989A1 (en) * 2017-04-11 2018-10-11 International Business Machines Corporation Speech with context authenticator

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113347535A (zh) * 2021-05-26 2021-09-03 海南正东雄科技有限公司 一种扩声式激励处理器

Also Published As

Publication number Publication date
US20210398544A1 (en) 2021-12-23
KR102622350B1 (ko) 2024-01-09
KR20200041671A (ko) 2020-04-22

Similar Documents

Publication Publication Date Title
WO2018034552A1 (en) Language translation device and language translation method
WO2020105856A1 (en) Electronic apparatus for processing user utterance and controlling method thereof
WO2020032563A1 (en) System for processing user voice utterance and method for operating same
WO2020130447A1 (ko) 페르소나에 기반하여 문장을 제공하는 방법 및 이를 지원하는 전자 장치
WO2020050509A1 (en) Voice synthesis device
WO2019139301A1 (ko) 전자 장치 및 그 자막 표현 방법
WO2020045835A1 (ko) 전자 장치 및 그 제어 방법
WO2020251122A1 (ko) 컨텐츠 번역 서비스를 제공하는 전자 장치 및 그 제어 방법
WO2020091183A1 (ko) 사용자 특화 음성 명령어를 공유하기 위한 전자 장치 및 그 제어 방법
WO2019112181A1 (ko) 오디오 데이터에 포함된 음소 정보를 이용하여 어플리케이션을 실행하기 위한 전자 장치 및 그의 동작 방법
WO2020138662A1 (ko) 전자 장치 및 그의 제어 방법
WO2018056779A1 (en) Method of translating speech signal and electronic device employing the same
WO2020101178A1 (en) Electronic apparatus and wifi connecting method thereof
WO2019190062A1 (en) Electronic device for processing user voice input
WO2019164191A1 (ko) 음성 입력 처리 방법 및 이를 지원하는 전자 장치
WO2020075998A1 (ko) 전자 장치 및 그 제어 방법
WO2021125784A1 (ko) 전자장치 및 그 제어방법
WO2020101174A1 (ko) 개인화 립 리딩 모델 생성 방법 및 장치
EP3994687A1 (en) Electronic apparatus and controlling method thereof
WO2019177377A1 (en) Apparatus for processing user voice input
WO2019124830A1 (en) Electronic apparatus, electronic system and control method thereof
WO2022177224A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2022131566A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2022169039A1 (ko) 전자 장치 및 그 제어 방법
WO2011028051A2 (ko) 전자 기기 및 이를 이용한 음성인식 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19871669

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19871669

Country of ref document: EP

Kind code of ref document: A1